“機器綜合智能水平和人腦相差較大，機器學(xué)習(xí)需要較多人工干預(yù)，不同人工智能模態(tài)之間交互協(xié)同較少……”近日，在香港召開的第S43次香山科學(xué)會議上，與會科學(xué)家細數(shù)當(dāng)前人工智能發(fā)展面臨的瓶頸。

解鈴還須系鈴人，人工智能的發(fā)展也不例外?？茖W(xué)家意識到，想要走得更遠，人工智能還要回到出發(fā)的地方，那便是人類智能。

神經(jīng)科學(xué)提供基礎(chǔ)

“以深度學(xué)習(xí)為代表的機器學(xué)習(xí)方法在視聽覺感知等具體問題上媲美甚至超越人類的水平。”會議報告中，作為一名神經(jīng)科學(xué)家，中科院神經(jīng)科學(xué)所研究員蒲慕明院士為人工智能在過去幾十年的發(fā)展點贊。不過，他同時看到，與人腦的學(xué)習(xí)能力相比，機器學(xué)習(xí)在可解釋性、推理能力、舉一反三能力等方面存在明顯差距。

讓機器向人學(xué)習(xí)，是提升“智能”水平的重要方向。會議執(zhí)行主席、香港科技大學(xué)副校長葉玉如院士指出：“目標(biāo)是在多個層面，理論上模擬大腦的機制和結(jié)構(gòu)，開發(fā)一個更具有普遍性的AI以應(yīng)對包括多任務(wù)、自學(xué)習(xí)和自適應(yīng)等方面的挑戰(zhàn)。”

“受腦啟發(fā)”是人工智能最重要的發(fā)展方向。近年來，腦科學(xué)研究正在從傳統(tǒng)的認識腦、了解腦向保護腦再向增強腦、影響腦的過程發(fā)展，即完成從“讀腦”到“腦控”再到“控腦”的轉(zhuǎn)換。學(xué)習(xí)大腦的信息處理機制，建立更強大和更通用的機器智能是非常有前景的。通過多學(xué)科交叉和實驗研究獲得的人腦工作機制更具可靠性，有望為人工智能未來發(fā)展提供基礎(chǔ)。

另一方面，人工智能可以對神經(jīng)學(xué)和腦科學(xué)在數(shù)據(jù)收集、標(biāo)注和建模等方面提供技術(shù)支持促進腦科學(xué)的發(fā)展。

打破“馮·諾依曼架構(gòu)”

面向通用的人工智能離不開類腦計算芯片。清華大學(xué)精密儀器系教授、類腦計算中心主任施路平表示：“作為一種借鑒人腦存儲處理信息方式發(fā)展起來的新技術(shù)，類腦計算將是人工通用智能的基石。”

打破“馮·諾依曼架構(gòu)”成為借鑒人腦信息處理方式的重要途徑。據(jù)了解，在“馮·諾依曼架構(gòu)”中，計算模塊和存儲單元互相分離，CPU在執(zhí)行命令時必須先從存儲單元中讀取數(shù)據(jù)。每一項任務(wù)，如果有十個步驟，那么CPU會依次進行十次讀取、執(zhí)行，再讀取、再執(zhí)行，時間和功耗都花費在數(shù)據(jù)讀取上，限制了數(shù)據(jù)處理能力。這與大腦處理大量外界信息卻能耗極低的現(xiàn)象大相徑庭。

類腦計算有望把類似大腦的突觸做到芯片上。今年5月，北京大學(xué)計算機科學(xué)技術(shù)系教授黃鐵軍課題組聯(lián)合多家單位實現(xiàn)了靈長類視網(wǎng)膜中央凹神經(jīng)細胞和神經(jīng)環(huán)路的精細建模，提出了模擬視網(wǎng)膜機理的脈沖編碼模型，研制成功仿視網(wǎng)膜芯片。

“視網(wǎng)膜超速全時視覺芯片像生物視網(wǎng)膜一樣采用神經(jīng)脈沖表達視覺信息，脈沖發(fā)放頻率‘超速’人眼百倍，能夠‘看清’高速旋轉(zhuǎn)葉片的文字，‘全時’是指從芯片采集的神經(jīng)脈沖序列中重構(gòu)出任意時刻的畫面。”黃鐵軍介紹說，“這是實現(xiàn)真正機器視覺的基礎(chǔ)，有望重塑視覺信息處理體系，為無人駕駛、機器人、視頻監(jiān)控等領(lǐng)域帶來變革。”

不過，神經(jīng)突觸芯片還在實驗室階段，尚未走向?qū)嵱谩Ｅc會專家認為，類腦計算是一場令人興奮又望而生畏的艱難挑戰(zhàn)。

尚存三大隱憂

《中國AI發(fā)展報告2018》顯示，自2013年以來，全球和中國人工智能行業(yè)投融資規(guī)模都呈上漲趨勢。與會專家注意到，目前國內(nèi)跟人工智能有關(guān)的公司有4000多家，但是能夠得到投資人青睞或關(guān)注、愿意投資的公司，卻不到三分之一。過度依賴國外現(xiàn)成源代碼、商業(yè)應(yīng)用路徑不明確及專業(yè)人才稀缺是當(dāng)前人工智能企業(yè)的三大隱憂。

自2015年以來，谷歌、臉書、亞馬遜等紛紛發(fā)布機器學(xué)習(xí)的開源軟件，導(dǎo)致我國企業(yè)采用大量現(xiàn)成的源代碼。在科學(xué)家看來，這仿佛在起跑線上喪失優(yōu)勢，工藝再精深也是在別人的體系中做零部件的更新改造。對此，應(yīng)重點突破基礎(chǔ)領(lǐng)域，針對人工智能底層技術(shù)，加強對以深度學(xué)習(xí)為代表的底層算法模型的深入研究。

而對于商業(yè)應(yīng)用路徑不明確，專家建議企業(yè)不要太盲目，應(yīng)盡快找準(zhǔn)發(fā)力方向，AI項目商業(yè)應(yīng)用場景能否落地是其成敗的關(guān)鍵，快速積累核心技術(shù)優(yōu)勢，打造商業(yè)模式，才能做出真正有市場需求的產(chǎn)品。同時，應(yīng)堅持實事求是的發(fā)展路線，避免人工智能熱潮演變成一次“大躍進”，透支研究和實業(yè)資本資源。