类脑计算进入“春秋战国”时期，清华第3代天机芯正在路上

在不久前的 CNCC2019 类脑计算论坛上，清华大学“天机芯”团队的吴臻志博士，中科院上海微系统所张晓林教授、北京大学信息技术学院吴思教授等科学家分享了他们在与类脑计算息息相关的工作上的进展，以及目前类脑计算和人工智能现状的思考。

论坛主持人、清华大学类脑计算研究中心施路平教授表示，现在全球的类脑计算研究可谓处于“春秋战国”时期，选择的技术路径都有较大不同。

例如，在中科院上海微系统与信息技术研究所，张晓林正在和他的团队从仿生视觉的角度切入类脑智能。他们以仿生智能视觉系统为核心开发类脑智能芯片，以及真正接近人脑结构的机器大脑。

他介绍道，之所以从视觉切入类脑计算，是因为视觉是人类获取外部信息的主要入口，大脑获得的外部信息 83% 来自视觉。甚至一种说法认为，寒武纪时期的生物演化出了双眼，才带来了物种爆炸式进化（也有说法认为是因为出现了两性分化，当然，没有双眼也容易找不到对象）。

生物脑是人工智能在自然界中唯一的参照物和灵感来源，但是，人脑的功能划分仍未清楚，也导致尚未有完全基于人脑原理的机器大脑出现。

研究视觉的形成，将帮助深度探索大脑。张晓林认为，仿生视觉可以突破模式识别的三大瓶颈，人工智能的下一个理论及应用突破口必定来源于视觉。

（来源：CNCC）

由此出发，现在，张晓林所在团队正在构建一个前所未有的“机器头脑”。他们的做法是，先搭建一个功能化的类脑，即先实现模块化的功能，划分出机器头脑的基本框架，类似高等生物大脑中拥有大脑、小脑、中脑、脑干等不同结构、不同功能的器官，搭建出最基本的仿生机器头脑，进而逐渐改良和完善。

据了解，这样的模拟人脑工作机制的泛用性型将是研究资助智能系统的重要平台，帮助探索人工智能如何获得自主学习认知能力等。

现有的 AI 和类脑智能的一大区别还在于，深度学习技术在静态物体识别再怎么炉火纯青，在处理动态信息时的表现往往又是另一回事了。

北京大学教授吴思指出，在视觉信息处理的闭环上，基于深度学习的视觉处理和人的视觉信息处理还有不少差距，例如说前者还不能提取物体的全局信息。

一篇发表在 PLOS Computational Biology 上名为“Deep convolutional networks do not classify based on global object shape”的文章就曾显示，AI 算法识别的结果有时候也是很离谱的。

（来源：PLOS Computational Biology）

在那次实验中，团队使用一个识图能力较好的 AI 算法去挑战识别一些被部分调整过的图片，结果表明，图片上的茶壶纹路一旦换成了高尔夫球的纹路，机器对识别茶壶的判断力就会有所下降，类似的情况也发生在把骆驼身上的花纹换成斑马。在这几个有趣的实验中，最惊心动魄的恐怕还属 AI 把大象都误认成了袜子。而人类的视觉信息处理是可以借助形状这样的全局信息仍能识别出这是一把茶壶。

现有的计算机视觉神经网络处理视觉信息的过程并不复杂，从输入图像开始，然后从像素、边缘、轮廓等几个层次进行检测，最终输出一个识别结果，是一个“前馈”的系统。但人的视觉信息处理神奇的地方还在于，我们对视觉信息的认知会受到其他信息的影响。

以下图为例，测试实验显示，如果有人事先告诉你这是一只牛、一只手、一条鱼，你都可以在下面这个图片中识别出相应的形象。

(来源：CNCC）

人的视觉系统具备的三个基本功能：物体的勘测、跟踪和物体的识别，相互组合起来可以实现更复杂的视觉功能。上述实验中这些看似细微的识别差距，背后却是纷繁复杂的一整套视觉系统在工作，绝非现在的深度神经网络的简单堆积。

作为一名计算神经科学家，吴思和他的团队正在通过和实验神经科学家紧密合作，以数学理论和计算机仿真来构建神经系统的计算模型，解析神经系统处理信息的基本原理，发展类脑的信息处理技术。

大脑低功耗的信息存储和传输，也燃起全球科研机构和企业在开发类脑计算芯片上的热情。

现在，全球范围内主要在推进的类脑计算芯片，就包括 IBM 的 TrueNorth、Intel的Loihi、BrainScale、SpiNNaker、Neurogride 等主要技术流派。

清华“天机芯”团队的成员之一、北京灵汐科技有限公司技术总监吴臻志在论坛上详细剖析了这些技术流派的长短所在：TrueNorth、Loihi 采用事件驱动的设计，优势在于可降低功耗，挑战在于阵列计算下很难做到细粒度（如神经元级别）的事件驱动；SpiNNaker 采用人脑规模神经网络计算的方法，优势在于脑仿真类应用的计算效率高，但软件灵活度却比较低，相较于通用计算机无法做其他的通用计算。

而今年问世的清华“天机芯”（第二代），又是不同的尝试，它将基于脉冲神经网络（SNN）的类脑计算算法与基于人工神经网络（ANN）的深度学习算法集成到一颗芯片上。既支持单一计算范式，又支持二者异构建模，明确指向通用人工智能，这是其一大特点。

图丨类脑计算、ANN、深度学习的发展进程（来源：CNCC）

如何实现类脑计算之外，还有一个几乎同等重要的问题是，类脑计算的独特优势和典型应用有哪些产品和落地的可能？

吴臻志表示，这个问题也团队在开展类脑芯片研发过程中被问得最多的一个问题。

对此，他认为，类脑计算历史悠久、技术范围广泛，然而现在智能应用的各个领域，深度学习仍然遥遥领先。但深度学习本身的几大软肋，使得目前的智能更多地体现为无个体差异的感知能力。类脑计算科学家应该走向更广阔的领域，创造属于类脑计算的专属应用，充分发掘类脑计算的广泛内涵，做类脑计算擅长之事。他也表示，希望算法和应用研发的业内人士能够与其团队展开合作，扩展类脑计算的应用领域。

据透露，团队正在开发的第三代天机芯片，或将用于安防视频结构化分析、人脸检测识别服务器等应用上。