人工智能的終極目標：類腦智能

30秒快讀

1、類腦智能在AI腦內(nèi)開了個“意識小劇場”，深度學習“不是煉金術(shù)” AI還能學什么？AI開源框架國產(chǎn)化，百度、曠視相對抗谷歌、臉書。

2、記者試圖探尋AI的下一個5年計劃。

01 類腦智能：在AI腦內(nèi)開個“意識小劇場”

類腦智能，被譽為人工智能的終極目標。人工智能在過去十年中基本實現(xiàn)了感知能力，但卻無法提高認知能力（推理、可解釋等）。因此，從認知心理學、腦科學等領域汲取靈感，推動感知智能向認知智能演進是人工智能下個十年的重點。

意識圖靈機：讓機器感受疼痛愉悅

當前，我們?nèi)蕴幱谌跞斯ぶ悄茈A段，尚不能制造出真正推理和解決問題的智能機器，機器也還沒有自主意識。那么，人工智能要怎樣產(chǎn)生意識？

人的大腦是如何產(chǎn)生疼痛、愉悅等各種感受的？有沒有辦法讓機器模擬甚至體驗這些感覺？

第三十屆（1995年）圖靈獎得主Manuel Blum與前美國卡內(nèi)基梅隆大學計算機科學系杰出教授Lenore Blum是夫妻倆，他們試圖通過數(shù)學模型來理解意識。受到認知神經(jīng)科學家Bernard Baars的“劇院模型”之啟發(fā)，Blum夫婦提出了圖靈機器的正式模型——意識圖靈機（有意識的AI）。

短時記憶和長時記憶是認知科學里兩個重要概念。在劇院模型中，意識相當于短時記憶“舞臺”上所演繹的活動，坐在暗處的觀眾則代表長時記憶中的無意識處理器。在這個腦內(nèi)小劇場里，演員和觀眾是怎樣互動的呢？

Lenore舉了一個例子，某天你在派對上見到一個人，可怎么都想不起她的名字，等半小時后回到家，那個名字才突然從腦海中蹦出來。也就是說，半小時后那個名字才出現(xiàn)在你的意識或短時記憶中。

這中間發(fā)生了什么？你可能回憶了兩人第一次見面的情景，這個信息從短時記憶中廣播出來，并傳到大腦的各個長時記憶處理器上。其中一個處理器表示，她是做機器學習的。這個信息被傳到意識中，再廣播到各個處理器。接著又有一個處理器說，她的名字是T開頭的，這個信息也被廣播開來。于是半小時后，她的名字出現(xiàn)在了“舞臺”上，然而舞臺上的有意識自我對無意識自我在臺下的工作是不知情的。

假如獲得了勝利的是恐懼處理器，那么收到廣播的語言處理器可能會激活喊叫機制，發(fā)出一聲尖叫。由于一系列動態(tài)的下放，一些輸出機制可能被激活。通過語言對恐懼的回應，兩個長時記憶處理器之間產(chǎn)生了連接，不再像初始狀態(tài)下那樣只能通過短時記憶進行交流。

Lenore解釋道：“這正是赫布理論提出的‘一起激發(fā)的神經(jīng)元連在一起’，如果回應變多或者關聯(lián)變強，就會產(chǎn)生更多的連接。這種連接允許原本經(jīng)過短時記憶的有意識運算變得無意識，信息塊可以在處理器之間傳遞，很多高負荷工作就是以這種形式進行的。”

讓盲人有一天能看得見

雖然意識圖靈機的研究者強調(diào)簡潔性（simplicity），但是復旦大學類腦智能科學與技術(shù)研究院副院長林偉認為世界呈現(xiàn)出來的更多還是復雜性（complexity）。微觀層面上，每一個生命個體都有相應的智能行為；宏觀層面上，智能個體之間的互動會產(chǎn)生許多群體行為。而智能是怎么產(chǎn)生的？群體的智能行為又是怎樣產(chǎn)生？

“在這個過程中，需要采集相關數(shù)據(jù)，進行相應的數(shù)據(jù)挖掘。在數(shù)據(jù)集里尋找形象的規(guī)律，甚至在這個階段就直接可以到商業(yè)和工業(yè)中去檢驗結(jié)果?！绷謧ケ硎荆送诰虼髷?shù)據(jù)的規(guī)律，還需要結(jié)合模型去做模擬仿真，因為有了模型就可以去做進一步的預測研判。

好比在類腦人工智能中，首先要認識腦結(jié)構(gòu)、解析腦機制，其后就是要模擬腦，將大腦中某些局部的功能在模型中表現(xiàn)出來，包括感知、認知、記憶、情感、情緒化表現(xiàn)等。這個模擬過程一定受到腦科學研究的啟發(fā)，因為那些神經(jīng)形態(tài)的基本結(jié)構(gòu)實際上都可以為數(shù)學模型中最簡單的動力學模型提供基本框架和思路。

“每個人的大腦都是有差別的，能替代的也只是一部分。從這個意義上來說，‘增強腦’可能更恰當。比如說某些病患有一些功能的喪失，帕金森、老年癡呆等。通過和生物醫(yī)學工程的專家合作，可以把一些算法、控制器、芯片體系植入到相應的大腦。那樣的話也許盲人也會有看得見的一天，類腦研究可以起到這樣的作用?！绷謧フf道。

02?深度學習“不是煉金術(shù)” AI還能學什么？

AI正在日常生活中滲透。無論是刷臉進門、機器人掃地還是和智能音箱對話，這些應用均可歸類于人工智能的語音和圖像識別。的確，這一代人工智能的發(fā)展建立于AI對人類感知的模仿。這得益于人工智能背后的深度學習，通過神經(jīng)網(wǎng)絡層層分類信息?！爸皇乾F(xiàn)在AI還在弱智能階段，要讓機器解決問題，首先需要人工定義問題和機制，轉(zhuǎn)化為數(shù)學模型，并通過數(shù)據(jù)訓練模型。”在一位阿里系技術(shù)人員看來，如今的AI只能映射，還無法產(chǎn)生聯(lián)想，機器具備真實推理能力仍是人工智能的發(fā)展局限。

深度學習需要依賴海量的數(shù)據(jù)，與此同時，這一代人工智能的應用帶來了對隱私、數(shù)據(jù)安全的擔憂。還有沒有針對這兩個困局的更好解決方法？今年WAIC 2020上，聯(lián)邦學習、遷移學習是兩大熱詞，AI算法的演進版，在很多領域已經(jīng)落地，他們?yōu)槭裁茨芙鉀Q深度學習的困境？記者一路探尋。

聯(lián)邦學習：隱秘的數(shù)據(jù) 公開的模型

你的人臉信息，5毛一份。這是日前新華社記者在網(wǎng)絡黑市上發(fā)現(xiàn)的非法買賣。一時刷遍朋友圈。

當人們越來越依賴于刷臉支付，但如果這些生物信息被泄露給不法分子，加之你的身份證、銀行卡信息也被暴露，大眾難免擔心信息泄露的后果。

A方收集數(shù)據(jù)，B方清洗數(shù)據(jù)，轉(zhuǎn)移到C方建模訓練，最終賣給D方使用，每個環(huán)節(jié)都有著數(shù)據(jù)泄露隱患。

頗有預見性的，這一屆世界人工智能大會上，聯(lián)邦學習被屢次提及，它最大的特征是數(shù)據(jù)信息不離開本地設備，所謂“數(shù)據(jù)不出域”，但可以加密上傳訓練模型，服務器端綜合各自模型之后，再反饋給用戶模型改進方案。

AI技術(shù)人員楊建國認為，如果將傳統(tǒng)的AI深度學習看作是一場開卷考，那么聯(lián)邦學習是AI的一場閉卷考，以利用“隱秘”數(shù)據(jù)為前提。

萬向區(qū)塊鏈研究院院長肖風曾在世界人工智能大會上分享，區(qū)塊鏈技術(shù)的溯源特性能有效監(jiān)控數(shù)據(jù)的使用權(quán)，一旦數(shù)據(jù)被泄露，信息將被記錄。這暗示區(qū)塊鏈技術(shù)在聯(lián)邦學習中的可能。

那么，區(qū)塊鏈技術(shù)是否已在AI領域使用？

一位溫州某區(qū)塊鏈企業(yè)CEO胡松（化名）告訴記者，目前區(qū)塊鏈還沒有在實際應用上與AI結(jié)合，仍在理論和概念階段，“近期區(qū)塊鏈行業(yè)比較沉默，老的故事還沒有應用，新的突破性概念還未誕生?！?/p>

遺憾的是，在和多位采訪對象溝通中，記者發(fā)現(xiàn)，受限于“看不到的數(shù)據(jù)”，多家AI企業(yè)并不愿應用聯(lián)邦學習。

“聯(lián)邦學習可以使用一般機器學習能使用的所有算法，但需要額外加一些技術(shù)來滿足‘閉卷’的需求?！币虼耍瑮罱▏J為，除了數(shù)據(jù)隱私安全，目前一般機器學習存在的缺陷，聯(lián)邦學習無能為力。

滬上一位AI算法研究人員認為，聯(lián)邦學習在訓練模型時可能出現(xiàn)不收斂的問題，構(gòu)建的模型或許并不是最優(yōu)解。在實際運用中，聯(lián)邦學習對AI企業(yè)在終端數(shù)據(jù)之間的通信和計算開銷有一定要求。此外，聯(lián)邦學習在面對隱私的攻擊時可能存在安全漏洞，也無法較好控制學習時所使用的數(shù)據(jù)質(zhì)量。這些均是聯(lián)邦學習的缺陷。

不過，楊建國對此仍有期許，他看到聯(lián)邦學習的研究和技術(shù)在不斷擴展，這是積極的一面。

遷移學習：用小樣本快速得出答案

“你認為哪種機器學習方式可能會成為未來的主流？”當記者向多位AI行業(yè)的技術(shù)人士拋出這一問題時，多位采訪對象均將目光瞄向遷移學習。

韓林（化名）是一位醫(yī)學影像視覺深度學習的AI技術(shù)人員，疫情期間他利用百度飛槳開發(fā)了能快速識別新冠病癥的AI模型。

“飛槳上有100萬分類的圖像預訓練模型，利用這個模型，調(diào)整不同的初始化權(quán)重，通過遷移學習，能夠改善最終準確率。”在韓林看來，對開發(fā)者而言，遷移學習省去了從頭開始訓練的時間。

新冠疫情下，各大醫(yī)院緊急投入“AI閱片”，在上海計算機軟件技術(shù)開發(fā)中心人工智能技術(shù)研究應用與測評團隊負責人陳敏剛看來，正是通過將新冠肺炎病人的CT加入到經(jīng)過大量訓練的病毒性肺炎CT影像模型，經(jīng)過模型精調(diào)得出的成果。這個過程，便是遷移學習。

“當前針對小樣本的深度學習，主要依靠遷移學習的方法?！标惷粽f。

微眾銀行首席人工智能官楊強曾在一次公開演講中表示，在云端用戶群中，每臺手機其實是一個用戶，用戶和特征沒有重疊性，可以在保證隱私安全的條件下進行遷移學習。

但遷移學習并不是萬能的。韓林告訴記者，如果沒有一個和開發(fā)者所需相近的模型，開發(fā)者依然要面臨從零開始做模型訓練的困境。

“能有一套針對小數(shù)據(jù)樣本的準確算法一直是行業(yè)中的大難題?！币晃荒郴ヂ?lián)網(wǎng)巨頭公司的AI技術(shù)人員直言?！皣@數(shù)據(jù)量不足的情況”，是楊建國認為人工智能未來發(fā)展主攻方向。

對抗學習：為AI設置“陷阱” 以假亂真

以子之矛，攻子之盾。

當大眾驚嘆于AI功能強大的同時，也常常被AI的誤識別而震驚。一副帶有色塊的眼鏡能騙過人工智能，一張帶有色塊的阿爾卑斯山圖片能讓AI誤認為是一條大黃狗。

由于深度學習是黑箱算法，技術(shù)人員無法分析出為何AI技術(shù)走偏的原因。但韓林認為，這些問題很有價值。這便是對抗學習（GAN）。

所謂GAN，是指在訓練過程中，生成網(wǎng)絡G的目標是盡量生成真實的圖片去欺騙判別網(wǎng)絡D。而D的目標就是盡量把G生成的圖片和真實的圖片分別開來。這樣，G和D動態(tài)博弈，彼此在對抗中訓練能力。如果G騙過了D，那么就可以生成一張足以以假亂真的圖片。

“如果知道有色塊眼鏡可以欺騙機器算法，技術(shù)人員可以通過調(diào)整解決問題。如今人臉識別對用戶的姿勢和光照有比較嚴格要求，為的是防止人臉面具欺騙系統(tǒng)的事件再次產(chǎn)生。”韓林說。

在韓林看來，將深度學習中的一些非關鍵應用轉(zhuǎn)向關鍵應用，對抗問題將會越來越受到重視?！叭绻岩曈X識別運用到無人駕駛汽車上，行人只要戴上一副眼鏡便無法被系統(tǒng)識別，你認為廠商會不重視嗎？”他反問道。

但這是否意味著一輪輪的技術(shù)鴻溝。AI是否能夠解決道高一尺魔高一丈的困境？

“當前人工智能還是依賴于大數(shù)據(jù)和高算力，從弱智能時代到進一步發(fā)展，仍是一條漫長的路?！鼻笆鰷螦I算法技術(shù)人員總結(jié)道。

03?AI開源框架

百度、曠視想對抗谷歌、臉書

做AI項目，或許在很多人眼里，是一項仄長而復雜的工作，其實不然。實際操作中，開發(fā)者可以選擇AI深度學習框架，加載可在框架上運用的模塊，調(diào)整參數(shù)，如同搭建樂高一樣做出想要的AI應用。框架，省去了開發(fā)者從零開始一行行寫代碼的前期工作準備。

這是AI深度學習框架的魅力。記者注意到，目前國外主流的深度學習框架有TensorFlow、PyTorch、Caffe等，而國內(nèi)的百度飛槳（Paddle Paddle）和曠視天元也吸引了一群受眾。

那么面對中外深度學習框架，眾多開發(fā)者會如何選擇？而國內(nèi)框架又會如何吸引新的開發(fā)者入局？

開發(fā)者：向國內(nèi)框架遷移

韓林（化名）是一名影像識別功能的開發(fā)者，新冠肺炎期間，他從醫(yī)學網(wǎng)站上找到CT轉(zhuǎn)成圖片作為數(shù)據(jù)，并搭配參數(shù)進行模型訓練?！耙淮?521張影像的模型訓練，需要40-50分鐘。”他說。

接觸深度學習框架2年，韓林最終從TensorFlow轉(zhuǎn)到飛槳。他認為，飛槳API比TensorFlow更簡潔，調(diào)試組網(wǎng)代碼也更方便。

“當時做了一個比較復雜的模型，用TensorFlow調(diào)整模型結(jié)構(gòu)一個月沒有實現(xiàn)收斂，但用飛槳一周就完成了?！边@是他接觸飛槳時的第一印象。

林蕓（化名）從事的是文本處理技術(shù)工作，易用性強，是她選擇飛槳文心的緣由。

上海聰鏈信息科技有限公司創(chuàng)始人丁強則是曠視天元框架的擁躉。在他看來，曠視在視覺識別領域的優(yōu)勢，使得天元更適用于該場景的開發(fā)。疫情期間，曠視在10天之內(nèi)推出“明驥AI智能測溫系統(tǒng)”，通過天元框架對算法模型進行專項訓練與優(yōu)化升級，精準定位到額頭再快速測溫，誤差在±0.3℃以內(nèi)。

上海埃瓦智能科技有限公司創(chuàng)始人王赟則考慮到3D視覺芯片的推廣應用，選擇了騰訊系的深度學習框架Angel。

AI開發(fā)者王劍（化名）向《IT時報》記者給出他選擇國內(nèi)深度學習框架的考量：社區(qū)規(guī)模。“社區(qū)強大，框架會越來越好，因為用的人多，如果論文作者提供的代碼都是國內(nèi)某個框架的話，這個框架會有更多人去完善升級?！彼f。

百度方面透露，截至目前，飛槳平臺已經(jīng)凝聚194萬開發(fā)者，8.4萬的企業(yè)在平臺上創(chuàng)建了超過23.3萬個模型。在主流開源社區(qū)整體star數(shù)超過4萬，核心框架的star數(shù)超過1.1萬。天元則未披露開源社區(qū)用戶數(shù)。

在領規(guī)科技CEO安康看來，國內(nèi)外深度學習框架每家各有不同，主要還是看開發(fā)者的產(chǎn)品和業(yè)務屬性，最終通過調(diào)整開源社區(qū)的模板參數(shù)實現(xiàn)應用。

一位在中小型智能硬件類企業(yè)工作的王婷（化名）告訴記者，目前公司正在使用Caffe框架。不過，未來可能會考慮使用華為MindSpore，因為公司項目正在使用海思芯片做研發(fā)。

盡管有開發(fā)者反映，因國內(nèi)深度學習框架發(fā)展時間較短，可能出現(xiàn)部分功能不支持、開發(fā)者基數(shù)不足導致社區(qū)無法馬上解決所需解決問題等情況，但不可否認，正有一群開發(fā)者們向國產(chǎn)深度學習框架靠攏。

選ARM低功耗

2020年世界人工智能大會上，曠視介紹了其深度學習框架天元MegEngine的Beta版本，天元重點增加了模型量化與支持ARM處理器兩個功能。

人工智能深度學習離不開海量數(shù)據(jù)和算力，大模型在帶來精度提升的同時，也對計算資源消耗提出更多要求。這導致它們無法部署在很多非云端的計算設備上（比如智能手機），因此有必要通過模型量化。這些輕量化模型，使它們能夠滿足小型計算平臺的要求。目前，Tensorflow、PyTorch、飛槳等框架均實現(xiàn)了量化功能。MegEngine自然不能落后。

“由32位浮點轉(zhuǎn)至int8推理，可實現(xiàn)3倍左右的推理加速，減小模型75%的尺寸，減少存儲空間、內(nèi)存耗用和設備功耗?！睍缫曆芯吭篈I系統(tǒng)高級技術(shù)總監(jiān)徐欣然介紹。

端側(cè)學習是深度學習框架的新趨勢?！岸藗?cè)一般不會進行訓練，只會推理?！鄙虾Ｓ嬎銠C軟件技術(shù)開發(fā)中心人工智能技術(shù)研究應用與測評團隊負責人陳敏剛告訴記者，在設備端推理，沒有網(wǎng)絡時延，不需要海量服務器和帶寬資源，也不需要將數(shù)據(jù)上傳云端，保護了用戶隱私。

天元Beta版本添加了對廣泛用于手機和終端電子設備的ARM平臺處理器的支持，并推出了推理優(yōu)化工具教程，還與面向AIoT的框架小米Mace和嵌入式邊緣計算框架Tengine展開了合作。

百度深度學習技術(shù)平臺部高級總監(jiān)馬艷軍告訴記者，目前包括英特爾、英偉達、華為、ARM等諸多芯片廠商都支持飛槳，并開展合作。這意味著ARM平臺處理下，低能耗的可能。

不過，值得一提的是，功耗似乎是AI在邊緣側(cè)、云端的枷鎖，大大限制了算力。據(jù)記者了解，目前數(shù)據(jù)中心的一個機柜功耗限制在6000瓦-8000瓦，而一臺性能強勁的GPU服務器也要四五千瓦。

下一站：量子

如果說兼容其他開源框架訓練模型是飛槳一大亮點，那么，融合量子計算則是飛槳的另一張牌。今年5月20日，“量槳”首度亮相。

“AI技術(shù)可以促進量子計算的研發(fā)，甚至突破量子計算核心瓶頸問題。另一方面，量子系統(tǒng)的并行模式和信息處理優(yōu)勢，也可能使量子計算機在一些特定AI任務上超越經(jīng)典計算機，進而促進AI技術(shù)的突破發(fā)展?！瘪R艷軍說。

今年3月，TensorFlow與谷歌合作TensorFlow Quantum（量子），為了在更深層次模擬自然，擴展機器從量子數(shù)據(jù)中學習的能力。

盡管從去年下半年起，量子優(yōu)越性的新聞不斷出現(xiàn)，只是目前量子計算處于實驗室階段。超低溫（接近絕對0度）、黑暗環(huán)境的設定，令量子計算離商用化之路仍有一段距離。

不妨看作這是百度的一次布局。2018年3月，百度研究院量子計算研究所成立，著重研究量子人工智能、量子算法和量子架構(gòu)。
? ? ? ? 責任編輯：tzh