類腦智能，怎麼就成了AI的新寵？_風聞
新眸-2021-07-21 14:17
撰文｜西寅
編輯｜棲木
類腦智能，正在成為AI領域的新角逐點。
就當下而言，類腦研究已經成為世界各國研究的科技戰略重點，美國、歐盟和日本相繼提出自己的腦計劃，類腦研究皆被列為其中重要內容。與此同時，中國正在制定的腦計劃中，類腦與腦機智能也屬於核心內容。
事實也的確如此，隨着大腦成像、腦機交互、生物傳感、大數據處理等新技術接連迭代，腦科學開始與計算技術、人工智能、認知心理等其它學科交叉融合，作為AI的新突破口，類腦智能正迎來技術奇點時刻。
“作為一種借鑑人腦存儲處理信息方式發展起來的新技術，類腦計算將是人工通用智能的基石。”清華大學精密儀器系教授、類腦計算中心主任施路平曾這樣表示，即便如此，身處AI領域的類腦智能，依然面臨着AI的共性問題，比如落地場景不清晰、成本高昂、回報比難核算等問題。
基於此，本文新眸將着重解構類腦智能及其商業化邏輯。
老樹，能否開新花？
不可置否的是，人工智能的整體發展似乎陷入了瓶頸期。
“在我們今天學習框架和基礎科學範圍內，未來會不會出現超級智能，或者説通用人工智能，到達人類創新思維能力，其實還是一個科學範疇的問題。”主攻人工智能類腦方向的元知智能研究院院長崔興龍如是説。
以上觀點裏的邏輯並不難理解，通俗的講，就是人工智能雖被冠以智能二字，但“智商”卻沒有人們想象中的高。
舉個簡單的例子，當日本福島核電站發生泄漏後，本被寄予厚望的機器人並沒有順利完成災後事故處理任務，大量高風險的工作仍然需要由人力來完成；爆火的無人駕駛的概念車，只能在某些測試路段上做到高度自動駕駛，無法在人口密集、地形複雜的城市街道上正常行駛。
這些具體應用中存在的痛點，其實都指向了以深度學習為代表Al技術，依然存在侷限性。
究其原因，還是要回歸到技術維度上來解讀。一般來説，深度學習是通過卷積神經網絡（CNN）或遞歸神經網絡（RNN）來實現，雖然CNN和RNN都屬於人工神經網絡，但其中的人工神經元，至今仍在使用上世紀40年代時的模型，雖然現在設計出來的人工神經網絡變得愈加複雜，但從本質上來看，其神經元模型並沒有太大的改進，均只是對人類大腦神經系統的高度簡化與抽象化。
在此之下，Al落地難的問題不可避免地發生了。
比如機器學習不靈活，需要較多人工干預或大量標記樣本；自主學習、自適應等能力弱，高度依賴於模型構建；人工智能的不同模態和認知功能之間交互與協同較少、僅解決特定問題，適用於專用場景智能。
這就讓人產生了一種錯覺，AI似乎沒有那麼智能，人腦在可解釋性、推理能力、舉一反三能力等方面依然領先一籌。這就意味着，AI想要完成進一步突破，對類腦智能的深入研究就顯得非常關鍵且必要。
總的來説，類腦智能受大腦神經運行機制和認知行為機制啓發，以計算建模為手段，通過軟硬件協同實現的機器智能。近年來，針對類腦智能的腦科學研究正從傳統的認識腦、瞭解腦向增強腦、影響腦的過程發展，完成從“讀腦”到“控腦”的轉換。
歸納起來可以理解為，類腦研究是以借鑑人腦處理信息方式為目標，模擬大腦神經系統，構建以數值計算為基礎的虛擬超級腦；或通過腦機交互，最終建立新型的計算結構與智能形態。
關於類腦智能研究的重要性，或許可以從圖靈獎得主Patterson David的觀點中窺得一二，他認為重新定義體系結構是基礎性創新，未來十年將是計算機體系結構的黃金十年，在人工智能領域，類腦智能被看作是實現下一代人工智能的重要技術路徑之一，極有可能帶來智能計算的下一波浪潮。
繞不開的AI商業化難題
類腦研究想要實現“懂腦、仿腦、連腦”三步走，就要對應完成腦認知基礎、類腦模擬、腦機互聯。
然而，類腦智能研究的第一步，就要直面過去幾十年橫亙在腦科學研究領域的難題：對人類大腦機理的清晰認知。雖然大腦是人類進化的高級產物，重量約1.5公斤，佔體重2％，功耗約20瓦，佔全身功耗20％，但當前人們對大腦的認識依然不足5％，尚無完整的腦譜圖可參考。
早期人們對大腦內部的認知，來自於軟硬件上模擬生物神經系統的結構與信息加工方式。就當下而言，雖然科學家們對單神經元模型、部分神經環路信息傳遞原理、初級感知功能機制等已有較清楚的理解，但就大腦全局信息加工過程，尤其是對高級認知功能的認識還非常粗淺，大腦信息處理的數學原理與計算模型仍不清楚，針對腦功能分區與多腦區協同的算法尚不精確。
與此同時，基於硬件的類腦計算過程模擬，在類腦器件、芯片和體系結構方面仍面臨着種種挑戰，傳統架構的計算系統面臨着能耗高、算法構造困難等問題，與傳統計算機相比，人腦能夠以極低能耗處理多種不同類型的智能任務，在現有類腦芯片在有限硬件資源、有限能耗約束下，難以實現大規模神經元互連集成和神經元脈衝信息高效實時傳輸。
言下之意，如何突破現有計算系統架構，建立類腦的新型體系結構和計算方式，仍需重點探索。一方面，是對大腦的生理機制知之甚少；另一方面，是無法把大腦的工作方式抽象成計算機可以理解的數學模型，這是類腦人工智能落地困難的兩大原因。
除此之外，類腦智能還要面臨來自AI難商業化的共性問題壓力。
新眸曾在《AI難逃“集郵”命運》一文中提到，AI商業化的本質並非專注於技術的迭代優化，而是善用技術解決客觀存在的實際商業問題，從眾多的應用場景分析可知：一方面，人工智能能夠將人從簡單、重複、繁重的工作中解放出來，算法仍是AI準確性和效率的核心；另一方面，場景的適配性是AI成功落地的關鍵環節。
就目前AI行業格局來看，早期玩家原始技術積累基本完成，正處於卡位具體場景商業化階段。尤其是基於視覺、語音和文本的AI技術相對較為成熟，在相對好落地的To B領域（比如零售、安防、教育、教育、金融等）已經扎滿了玩家，空間所剩無幾，而To G又不是普通玩家能夠駕馭的。
這直接導致了AI賽道的整體降温。根據億歐網數據，中國AI初創企業從2012年起，經過4年的高速發展，在2016年達到頂峯，而後 AI 創業熱度逐步降温，2020 年1-4月僅成立4家AI企業，是2019年全年數量的12%。如果按照這個數據來推算2020年全年，AI領域初創企業也不及去年的一半。
由此可見，類腦智能想要實現進一步突破，AI商業化的共性問題依然需要克服。
共性難題下的新路徑
過去60年，人工智能經歷了2次從爆發到低谷的過程，到了21世紀，隨着數據的爆發式增長，算力和深度學習的成熟，人工智能迎來了第3次發展浪潮。
整體來看，人工智能商業化速度非常快，在生物識別、計算機視覺領域有着相對成熟度更高、商業化更早的技術，並且在公共安全、語音識別、金融、廣告營銷等領域落地了較好的應用。可以説，商業化是近幾年維持人工智能熱度的主要驅動力。
然而，就像前文所提到的，由於現階段Al底層技術還存在較多侷限性，反映在實際的商業業務中，會催生出“業務需求理解難”、“業務價值證明難”、“AI認知差異大”、“落地成本高”等系列問題。
其中最讓人詬病的，當屬於在社交、辦公等強需求場景下，Al玩家的解決方案大致趨於相同，很容易陷入同質化窘境，在面對Al行業常見的“場景悖論”時，玩家突圍的關鍵邏輯在於對細分場景的感知與洞察。
在熱門的細分場景中，各個競爭者的準確率都不相上下，如果想通過提高準確率來超越對手，就得付出非常高額的成本，因為Al在各個場景中，必然會面臨對於機器模型來説相對長尾的內容，在剛剛結束的世界人工智能大會上，崔興龍博士就以商業營銷為例，分享了元知智能研究院結合兩條AI發展路徑打造的“超級心智”，是如何應對Al商業化過程中的長尾數據難題。
換句話説，“超級心智”將信息在品牌、消費者之間通過媒介傳播的全過程進行量化和動態擬合，實現營銷過程的全量化，從而將長尾數據也融入至全場景和全鏈條的消費數據之中。
需要注意的是，即便類腦智能在Al商業化上已有所建樹，但眼下整體行業仍處於摸索階段，與發達國家相比，我國在類腦智能的前沿研究，以及軟硬件結合的類腦智能機器人領域的原創與研發能力方面，依然有待進一步彌合。
慢即是快，做難而正確的事，向下滲透場景，更快更靈活地把技術優勢轉化為產品優勢，獲得市場佔有率，或許會讓類腦智能在其商業化路徑上找到正確的“發動機”。
滲透場景，更快更靈活地把技術優勢轉化為產品優勢，獲得市場佔有率，或許會讓類腦智能在其商業化路徑上找到正確的“發動機”。