《评人工智能如何走向新阶段》后记（再续19）
由AI科技大本营下载自视觉中国
304. 也来讨论构建模拟人类思维过程的认知计算机制，好像这个问题迄今尚未获得解决。
我们先从输入的信息类型说起：一类是语言输入（包括词、句、文本），第二类是图像输入（包括图像、视频），第三类是数据输入（包括结构化数据、半结构化数据、非结构化数据）。从语言输入中提炼知识要素（概念、对象及概念间的关系），进而抵达知识表示（节点、边和关联）图像输入要通过图神经网络转化为知识表示。这时以知识表示的语言输入和图像输入将进入知识存储——基于图结构存储中，而数据输入将进入知识存储——基于表结构存储中。隨后语言输入、图像输入、数据输入都将直抵知识表示（节点、边和关联），而数据输入将通过知识融合转化为知识表示。以知识表示的上述三类输入在合成后进入知识推理（知识工程的逻辑系统，含因果推理），再进入知识建模（构建模拟大脑思维过程的系统，即构建归纳、抽象、创意等仿脑的认知计算机制）。自进入知识存储直至知识建模一直依托知识图谱（含机器学习/深度学习、大规模语义网络、因果推理、人机交互等）为平台。
现在的问题是：构建模拟大脑思维过程的系统，即构建归纳、抽象、创意等仿脑的认知计算机制尚未获得解决，对于IBM Watson推荐的大规模语义网络，似乎还不足以支持机器获得推理能力，让机器做一个“人类”，模仿人脑思考方式建立新的神经网络赋予其足够的表达能力！
305. 基于生物脉冲神经网络（SNN）的类脑算法现状和趋向
从网上看到随《评人工智能如何走向新阶段》一文后，国内外的跟贴留言至今已达300多条，热烈得很！
人们对人工智能发展前沿的研发动态感兴趣，我们非常赞成编辑部为了解除大家顾虑，围绕“公开”的动态进行转发和讨论。
选题如当前国内外采用基于生物脉冲神经网络的类脑算法的研发前沿其动态如何？
现在我转发几位热情的朋友马上作出的介绍：
请阅读2016年11月出版的《中国图像图形学报》由黄铁军（北大）、施路平（清华）、唐华锦（川大）、潘纲（浙大）、陈云霁（中科院计算所）、于俊清（华中科技大）等6位AI专家联合撰写的文章《类脑计算的研究进展与发展趋势》；也请大家阅读在中国计算机学会技术报告（2015~2016）中还是由上述6位作者撰写《类脑计算的研究进展与发展趋势》的文章。
我在这里还转发另一位朋友介绍的文章：
发表在《Science》杂志2020年2月号（122卷）上由AboozarTaherkhani，T.M.McGinnity两位作者撰写文章《A review of learningin biologically plausible spiking neural networks》，这篇文章很好的对SNN现状进行总结（可惜我没有权限下载pdf）。
306. 能否设计出达到人类水平的类人智能？或者，是否设计出具有自我意识的强人工智能吗？
回答是否定的。
307. 为什么说研发人工智能基础理论离不开数学功底？
麻省理工一位学者解说数学体系
他现身说法从自己谈起，他是一位计算机专业出身的专家，没有想自己要成为一个数学家。早年导师给他布置作业，他对appearance和motion建立一个unified in model，他采用广为流行的图像模型（Graphicalmodel），作为对复杂现象建模的有力工具，受到他的导师的批评：做图像模型只是重复一些标准流程，并无很大价值，要探索如何描述一个复杂的运动过程，如何建立一个稳定并广泛适用的表达方式，如何刻画微观运动和宏观变换的联系，特别是如何深入研究人工智能底层理论，离不开数学功底！在数学中有很多思想和工具可以用来解决人工智能基础理论的，必须引起研究者们的重视。他谈到数学时指出，首先是掌握现代数学的共同基础——集合论（集合论中有一些基本概念：集合/set、关系/relation、函数/function、等价/equivalence，很重要的东西是选择公理/Axion of choice）；他在文中推荐了拓扑学、微分几何、代数（线性代数、抽象代数、巴拿赫代数、李群代数）、现代概率论等高等数学以及数学建模。
308. 在国内也产生脑机接口研发成功的先例
标志着我国脑机接口技术在临床转化应用研究中已跻身国际先进行列
浙大二院神经外科主任张建民教授团队，与浙大求是高等研究院郑筱祥教授、王跃明教授，从2014年开始，在植入式脑机接口临床转化应用研究上取得了重要的阶段性成果，2020年1月17日浙大发布重磅脑机接口研究成果。
该团队首先通过一位高位截瘫志愿者张先生脑内植入Utah阵列电极，从意念控制机械手臂的三维运动，完成进食、饮水和握手等一系列上肢重要功能运动。
浙江大学校长吴朝晖、浙大医药学部主任段树民最近视察了脑机接口项目，并与张先生用意念控制的机械手握手，这对一位四肢完全瘫痪的人来说，真是太不容易了！
309. “拿了就走”
不久前亚马逊在西雅图采用人工智能技术开办了一家没有销货员、免排队的商店“AmazonGo”。
他们主要采用机器学习和计算机视觉技术，不用付款实际上是通过人脸识别读取帐户信息，完成自动扣款。
据悉，浙江大学人工智能研究所也在与阿里巴巴商谈合作，计划开办具有中国特色的“拿了就走”商店。
310. 神经形态计算一直被寄以厚望，它将宣告摩尔定律的终结
研究者开发了一种模拟生物嗅觉的神经形态算法，这是模拟或突破神秘大脑迈出的一步，代表可以开发出当前人工智能趋势的新方法
神经形态计算可以大幅度提升数据处理能力和机器学习能力
英特尔神经形态计算实验室科学家纳比尔-伊姆艾姆与康奈尔大学生理学实验室研究员托马斯-克莱兰德率领的人工智能联合研发团队研发出一种用来模拟生物嗅觉的神经形态算法，这项成果于3月16日发表在英国《自然-机器智能》杂志上。
他们采用英特尔开发的Loihi神经形态芯片，描述一种基于哺乳动物嗅觉系统的神经形态算法，通过神经脉冲或尖峰传递信息并自动调节突触强度，他们研发过程中的难点是透彻理解并攻克对生物神经网络的层面所实现的算法。
他们利用苯、氨、丙酮、一氧化碳和甲烷对其进行气味训练。
311. 探索生物脉冲神经网络理想的训练方法
当前基于传统神经网络的机器学习/深度学习算法让我们在人工智能很多领域实现了突破，但这些神经网络在生物学上是不够精确的，它们不能模仿生物大脑神经元的运作机制。
脉冲神经网络（Spiking neural network，SNN）将脉冲神经元作为计算单元，能够模仿人类大脑的信息编码和处理过程；通过脉冲或尖峰传递信息，通过由神经元和突触组成的网络，使用拟合生物神经元机制的模型进行计算，通过学习和训练提供强大的计算能力，从而建立类脑算法，把人工智能推向强人工智能的新阶段。
目前国内外不少AI专家正在研发SNN，但SNN还处于早期研发阶段，一些露头的SNN仅能处理相对简单的任务。因此除要对拟合生物神经元机制的模型需继续进行深入的研发外，对目前尚不成熟的SNN的训练方法也需进行深入的研发探索。由于神经元复杂的动态性及不可导操作，暂时还没有一个可扩展的训练方法。
近期采用较多的SNN训练方法是DNN—to—SNN（将目标DNN转化），效率不高，到实用尚有不少距离，需要加快研发！
312.深度学习算法大有可为！
深度学习扩展趋势
深度学习是人工智能的当前趋势，是无人驾驶汽车、语音控制、图像识别的背后技术。隨着亚马逊的 Alexa 和谷歌的 Home、AlphaFold 的推出，深度学习将在语音应用程序— —自然语言处理（NLP）、企业成长策略、基因医疗等领域作为主要算法的应用场景，具有其扩展趋势。还有，量子计算可通过实现更高的计算速度和能力，来解决目前几乎无法解决的问题，如气候变化，银河系中类似地球的行星存在，或人体消灭癌症等，量子科学家认为，量子计算可极大地加速人工智能深度学习，这也反映深度学习的扩张趋势。
313.1 亿神经元大规模的神经拟态硬件计算系统诞生
今年 3 月 19 日英特尔宣布研制出神经拟态计算系统 PohoikiSprings，由 1 亿个神经元组成，集成到 Loihi 芯片上，相当于一个小型哺乳动物的大脑。
与本集跟贴留言介绍的、集成生物脉冲网络 SNN 的芯片比较：
IBM North 芯片（2014），由 100 万个神经元、2.56 亿个突触组成（神经回路）；清华大学天机芯（TianJic）由 4 万个神经元、1000 万个突触组成；浙江大学达尔文—2 芯片（2018）由 15 万个神经元组成。
英特尔于 2017 年开发了代号为 Loihi 的第一款自主学习神经拟态芯片，由 1000 个神经元硬件设计架构（模拟多个逻辑神经元）组成，与训练人工智能系统同级通用计算芯片相比，Loihi 芯片（用新颖异步脉冲方式计算）能效提升 1000 倍。2019 年英特尔在Loihi 基础上推出 PohoikiBeach（64 块 Loihi 芯片，800 万个神经元）；2020 年 3 月19 日又推出 PohoikiSprings（768 块 Loihi 芯片，1 亿个神经元），该神经拟态系统拥有超级并行和异步信号传输能力，在明显降低功耗同时显著提升性能。
人类大脑由 800~1000 亿个神经元组成，每个神经元有很多突触，构成神经回路（每个神经元和其他神经元之间会有连接，通过突触构成回路），人类所有知识就储存在这些连接或回路里面。
研发大规模神经拟态（神经元）计算系统，也是研发基于生物脉冲神经网络类脑算法超前的、基础性的、重要的研究步骤。
314.阿里达摩院实现自动驾驶核心技术突破
首次实现 3D 物体检测精度与速度两者提升
达摩院研究成果在 KITTI-BEV 榜单上排名第一
2014 年以来，基于深度学习的雷达、激光雷达等技术促进了自动驾驶性能的不断提升，其中对于车辆识别周围环境物体的定位精度和反应速度，作为自动驾驶系统安全性的重要指标仍有待解决。
检测器是让自动驾驶具备感知能力的核心组件，它可以快速处理、分析传感器、激光雷达等采集的多维信息，让车辆识别周围环境物体，并精确定位物体在三维空间中的位置，其检测精度和速度均为自动驾驶系统安全性的重要指标。达摩院研发的检测器在检测精度和检测速度上在业界领先。
达摩院的研究成果（精度和速度）在自动驾驶领域权威数据集（KITTI-BEⅤ）排行榜榜单上排名第一。
检测器的创新是自动驾驶领域落地的关键突破口，它实现了 3D 检测精度和速度的双提升。
更多推荐
《评人工智能如何走向新阶段》后记
《评人工智能如何走向新阶段》后记（再续1）
《评人工智能如何走向新阶段》后记（再续2）
《评人工智能如何走向新阶段》后记（再续3）
《评人工智能如何走向新阶段》后记（再续4）
《评人工智能如何走向新阶段》后记（再续5）
《评人工智能如何走向新阶段》后记（再续6）
《评人工智能如何走向新阶段》后记（再续7）
《评人工智能如何走向新阶段》后记（再续8）
《评人工智能如何走向新阶段》后记（再续9）
《评人工智能如何走向新阶段》后记（再续10）
《评人工智能如何走向新阶段》后记（再续11）
《评人工智能如何走向新阶段》后记（再续12）
《评人工智能如何走向新阶段》后记（再续13）
《评人工智能如何走向新阶段》后记（再续14）
《评人工智能如何走向新阶段》后记（再续15）
《评人工智能如何走向新阶段》后记（再续16）
《评人工智能如何走向新阶段》后记（再续17）
《评人工智能如何走向新阶段》后记（再续18）