亚愽娱乐app

    當前位置:首頁 > 科學傳播 > 科普文章

科普文章

人工智能的“腦洞”究竟有多大

  • 發表日期:2017-05-16 【 【打印】【關閉】
  •   當人工智能學家遇上腦科學家—— 

      人工智能的“腦洞”究竟有多大 

      中國青年報·中青在線記者 邱晨輝 來源:中國青年報(20170515  12版) 

       

          就像打了一劑強心針,當世界上第一臺超越早期經典計算機的光量子計算機橫空出世后,人們對人工智能時代的期待似乎有了更多的底氣:超越經典的量子計算機已經有了,打敗超級計算機的量子計算機還會遠嗎? 

        

          一旦后者實現,人類將再次以計算能力為傲,窺探人類大腦的奧秘,從而掃除人工智能研究的一大障礙。目前來看,面對人類大腦,這個雖然只有1.5公斤左右重,卻擁有1011個神經元的家伙,讓人類束手無策——要模擬整個大腦的計算能力,世界上目前任何一臺計算機都難以勝任。 

        

          在近日由亚愽娱乐app學部主辦,亚愽娱乐app自動化研究所等協辦的腦科學與人工智能科學與技術前沿論壇上,就有不少業內人士提出這樣的遐想:建設支持深度學習的新型計算機群,已成為一些人工智能研究的必然選擇,那么人工智能研究究竟需不需要量子計算機那樣的計算能力? 

        

          我們今天的科學家,尤其是計算機科學家,把計算用得太狠了,對計算的依賴甚至有些貪得無厭了!中國工程院院士、中國人工智能學會理事長李德毅卻在論壇上給大家潑了冷水。在他看來,人工智能學者不能只盯著計算認知,一味要求 人腦研究的步伐有多快,而要拿出更多的精力放在記憶認知交互認知上。 

        

      腦科學能啟發人工智能的并不多? 

        

          李德毅之所以對計算認知不感冒,還要從谷歌公司的一則報道說起—— 

        

          2015515日,谷歌對外稱該公司旗下無人駕駛汽車有上百萬英里的測試經驗,大致相當于人類75年的駕齡。 

        

          75年的駕齡是如何計算出來的?這引發了李德毅的思考:當無人車上路、發駕照提上日程,駕駛認知度量已經成為各國交管部門當務之急時,腦認知該如何度量?信息是用比特來度量,能量是用焦耳來度量,那么腦認知呢? 

        

          腦科學學者似乎并未給出這樣的答案,人工智能學者也就無從得到啟示。 

        

          這成了一個隱喻:腦科學、人工智能,兩個同屬21世紀的前沿學科,在過去數十年間彼此相對獨立,鮮有交叉。 

        

          亚愽娱乐app外籍院士、亚愽娱乐app神經科學研究所所長蒲慕明在當天的論壇上也提到,不管是國內還是國外,都是如此,不過隨著研究手段不斷豐富,研究領域不斷突破,兩者的交叉融合成為熱點,甚至出現一個新的研究名詞,類腦智能。美國、歐盟都相繼啟動相關研究計劃,中國也啟動了腦計劃。他說,中國的計劃是將腦科學和人工智能結合得最為緊密的。 

        

          比如,現在流行的深度學習,就是基于人工神經網絡的一個應用,這些人工神經網絡都可以從神經科學的一些規律中得到靈感。蒲慕明說,比如可以借鑒神經突觸的可塑性、記憶儲存、提取與消退,等等。 

        

          不過他也承認,目前的腦科學研究能啟發人工智能的并不是特別多。 

        

          蒲慕明給出一個類比,當前的腦科學研究,僅相當于物理、化學等學科在19世紀末期的研究水平,要完全理解大腦,可能是幾個世紀的事情,而不是我們這個世紀就可以達到的。他說。 

        

          那為何還要做類腦研究,蒲慕明說,必須要在這個時候做一些適當的應用,假如不把已經知道的知識應用到對腦疾病的診斷、干預和治療上,那么到2050年我們的醫療系統很可能要面臨崩潰——那時你會發現仍然沒有一個腦疾病能夠治愈。 

        

          相應地,人工智能的應用也是如此。他說,不一定非要完全搞清楚,神經科學一些具有階段性的成果,也可以給人工智能的發展提供啟發。 

        

      什么是人類最重要的智能行為? 

        

          亚愽娱乐app院士、亚愽娱乐app自動化研究所研究員譚鐵牛就在現有的研究基礎上,得出一個結論:模式識別是人類最重要的智能行為,也是人工智能重要的研究內容——機器的模式識別能力,在一定程度或者很大程度上反映了機器智能類人的程度。 

        

          在當天的論壇上,譚鐵牛舉了幾個模式識別的例子。比如語音識別,近些年突飛猛進的科大訊飛,能將維吾爾語翻譯成漢語,漢語翻譯成維吾爾語;再如步態識別,在看不到人臉、虹膜和指紋的時候,就能通過步態在幾十米外感知到其身份。 

        

          此外,還有圖像識別,其中具有代表性的人臉識別,早在幾年前馬云刷臉支付已經引爆輿論熱點。譚鐵牛本人就在進行虹膜識別的研究,并建立了目前國際上規模最大的共享虹膜圖像庫,被多國共享使用。他說,這不僅可以用在手機上,還可在查找丟失兒童上發揮作用。 

        

          譚鐵牛說,模式識別的技術瓶頸可通過借鑒生物的機理改進,未來生物啟發的模式識別在人工智能領域前景可期。其最終追求,是希望模擬逼近人的模式識別,這是非常艱巨的過程。 

        

          他也提到,模式識別的主要瓶頸在于魯棒性、自適應性和可泛化性。 

        

          魯棒性,說白了,就是人工智能夠不夠皮實”“是不是稍微有點擾動,就會出錯。譚鐵牛舉了一個例子,比如在酒會上聊天,背景噪音比較多,如果想聽清其中某一個人的聲音,就要忽略或者抑制背景中其他對話的干擾——人類可以做到這一點,也就是聽覺系統所謂的雞尾酒效應,但人工智能可以嗎? 

        

          所謂自適應性,則比較容易理解,譚鐵牛說,人類的眼睛會隨著燈光的變化、環境的變化進行調整,這說明自適應性非常強。這一點可以應用到人工智能上,比如人臉識別,有一位朋友十幾年甚至幾十年沒見,再見面是否還能認出來?他說,現有的模式識別在這方面還不是很理想。 

        

          可泛化性,說白了就是舉一反三。譚鐵牛說,當小孩認識蘋果后,即便只記住了一次,也可以識別其他類型的蘋果,這說明人類看到一個東西后,不僅知其然,還知其所以然。而知其所以然,就是人工智能領域所說的深度學習。但目前的人工智能深度學習,必須建立在大量數據的基礎之上,這一點也有待進一步研究。 

        

          譚鐵牛說,要解決這3個問題,關鍵還是看人類本身,在微觀層面上,人工智能的模式識別可借鑒人類的神經元,神經元有興奮性、抑制性、功能可塑性和傳播性。科學家受到這個啟發,增強了模式識別動態系統的穩定性。 

        

      無人駕駛是人工智能的突破口? 

        

          李德毅已經找到了一個實踐的突破口:自動駕駛。他說,無論是對話、詩詞或者駕駛,圖靈測試都允許測試者現場介入,判定結果都帶有近似性和主觀性。但是,和對話、詩詞測試相比,駕駛的圖靈測試可以進行更為精確、更為客觀的評測。 

        

          他說,當初汽車被發明出來的時候,人們最感興趣的是汽車的結構、機械、傳動、輪胎、底盤和車身。到20世紀,人們感興趣的則是發動機、碳排放和被動安全。到20世紀末、21世紀初,人們總體上關心3件事情,輕量化、清潔化、智能化。 

        

          所謂智能化,在他看來有4個階段,第一是理性輔助駕駛,以人駕為主;第二是自動駕駛,局部時段可以放開手和腳;第三是自動駕駛,即用自動駕駛接管駕駛權;第四是人機協同駕駛。 

        

          在李德毅看來,無人駕駛,難在擬人。 

        

          他感嘆:汽車是從馬車演變而來,作為動力工具,汽車的馬力可以達到100匹馬力,但汽車遠遠不如馬應對不同的負荷、天氣、路面,以及不同車輛情況下的適應能力。說白了,汽車的感知、認知能力遠遠不如馬這個認知主體,老馬識途,車不如馬! 

        

          李德毅說,其根本問題不在于車而在于人,要解決人的問題,就要讓駕駛員的認知能夠用機器人替代,讓機器人具有記憶、決策和行為能力,于是新的概念產生了——“駕駛腦 

        

          駕駛腦不等于駕駛員腦,駕駛腦是要做駕駛員的智能代理,要去完成包括記憶認知、計算認知和交互認知在內的駕駛認知,他說,這應該是人工智能時代最有意義的課題之一。