究極體的人工智能應(yīng)該是啥樣？

　　人們對(duì)于這個(gè)問(wèn)題的答案更多是在科幻電影中，比如說(shuō)“瞬時(shí)翻譯”，當(dāng)不同國(guó)家的人聚在一起的時(shí)候，再也沒(méi)有語(yǔ)言的隔閡，因?yàn)檎Z(yǔ)言也不再去學(xué)習(xí)，當(dāng)一個(gè)語(yǔ)言從口里說(shuō)出來(lái)的時(shí)候，就已經(jīng)瞬時(shí)在另外一個(gè)人的大腦中轉(zhuǎn)換成了他的母語(yǔ)；比如還有“真無(wú)人駕駛”，它沒(méi)有方向盤(pán)，完全由智能電腦代替人類(lèi)開(kāi)車(chē)，人類(lèi)乘客只需要通過(guò)語(yǔ)音說(shuō)出要去哪里，它就會(huì)自己規(guī)劃好路徑，完全自動(dòng)駕駛，在路途上也絕對(duì)不會(huì)發(fā)生任何交通事故；比如還有很多“有思想的機(jī)器人”，他們有自己認(rèn)知能力，有學(xué)習(xí)能力甚至有自己的思想可以自我成長(zhǎng)。

　　盡管人類(lèi)在讓智能代替人工的道路上已經(jīng)很努力了，但現(xiàn)實(shí)中的人工智能并非如此“萬(wàn)能”。最知名的人工智能莫過(guò)于Google旗下的AlphaGo，其通過(guò)深度學(xué)習(xí)的技術(shù)在被“喂養(yǎng)”了大量的結(jié)構(gòu)化的數(shù)據(jù)前提下，戰(zhàn)勝了人類(lèi)冠軍選手。

　　但這樣的人工智能仍然面臨的一個(gè)數(shù)據(jù)“困境”。也就是說(shuō)，如果一個(gè)產(chǎn)業(yè)，或者是換做另外一個(gè)場(chǎng)景，正好缺乏了大量的結(jié)構(gòu)化的數(shù)據(jù)，那本身這種方式的人工智能也不復(fù)存在。在當(dāng)下很多公司談的人工智能商業(yè)化落地場(chǎng)景中，從智慧產(chǎn)業(yè)到智慧交通，從個(gè)性化推薦到智慧零售，無(wú)疑都是在通過(guò)標(biāo)準(zhǔn)化和結(jié)構(gòu)化的數(shù)據(jù)體現(xiàn)人工智能。

　　但，那些非標(biāo)的數(shù)據(jù)場(chǎng)景怎么辦？

　　在接受品玩采訪時(shí)，元知科技集團(tuán)聯(lián)席總裁崔興龍稱(chēng)，人工智能已經(jīng)將表層效率解決完，它開(kāi)始往下走，繼續(xù)滲透到社會(huì)的深層效率，解決比如說(shuō)地產(chǎn)、房產(chǎn)、汽車(chē)、醫(yī)療、家具、教育、金融、法律等等更深層更非標(biāo)的大宗的領(lǐng)域。

　　人工智能的過(guò)去在解決什么問(wèn)題？

　　想要了解清楚這個(gè)問(wèn)題，有必要科普一下人工智能過(guò)去的發(fā)展。

　　簡(jiǎn)單來(lái)說(shuō)，人工智能的任務(wù)，就是通過(guò)機(jī)器來(lái)模擬大腦的功能或者利用機(jī)器來(lái)模仿人類(lèi)的智能行為。一定程度上這也決定了人工智能的發(fā)展和腦科學(xué)與心理學(xué)密切相關(guān)。

　　1956年夏，麥卡錫、明斯基等科學(xué)家在美國(guó)達(dá)特茅斯學(xué)院開(kāi)會(huì)研討“如何用機(jī)器模擬人的智能”，首次提出“人工智能（Artificial Intelligence，簡(jiǎn)稱(chēng)AI）”這一概念，標(biāo)志著人工智能學(xué)科的誕生。

　　從1956年發(fā)展至今，從學(xué)習(xí)大腦到發(fā)展人工智能，更廣義的階段包括兩個(gè)。

　　第一個(gè)階段是符號(hào)主義，它的理論基礎(chǔ)來(lái)自于認(rèn)知心理學(xué)。他們認(rèn)為“符號(hào)”是人類(lèi)認(rèn)知的基本單元，認(rèn)知就是對(duì)“符號(hào)”的操作。依據(jù)這種理論可以建立人類(lèi)理性行為的模型，通常又叫做“知識(shí)驅(qū)動(dòng)的人工智能方法”。

　　這個(gè)階段典型的應(yīng)用就是專(zhuān)家系統(tǒng)，專(zhuān)家系統(tǒng)方法通過(guò)構(gòu)建大量的判別規(guī)則來(lái)進(jìn)行問(wèn)題的推斷。而判斷規(guī)則則需要“錄入”龐大的人類(lèi)知識(shí)庫(kù)，瓶頸是無(wú)法讓機(jī)器自動(dòng)學(xué)習(xí)。

　　第二個(gè)階段則是連接主義，它的理論基礎(chǔ)來(lái)自于神經(jīng)科學(xué)。他們認(rèn)為建立在神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上的亞符號(hào)處理是人類(lèi)智能行為的基礎(chǔ)，依據(jù)這個(gè)理論可以模擬人類(lèi)感性行為（感覺(jué)、情感與直覺(jué)等），通常又稱(chēng)為數(shù)據(jù)驅(qū)動(dòng)的人工智能方法。

　　數(shù)據(jù)驅(qū)動(dòng)的人工智能方法基于概論統(tǒng)計(jì)加機(jī)器學(xué)習(xí)，重點(diǎn)研究則是從“推理”為重點(diǎn)到“知識(shí)”，然后到現(xiàn)在的“學(xué)習(xí)”。

　　只不過(guò)，如今算力已經(jīng)不再是瓶頸，而隨著移動(dòng)互聯(lián)網(wǎng)產(chǎn)生了大量數(shù)據(jù)，在特定領(lǐng)域的“學(xué)習(xí)”其實(shí)更依賴更多標(biāo)記數(shù)據(jù)集。

圖源：點(diǎn)金大數(shù)據(jù)

　　在崔興龍看來(lái)，過(guò)去幾波人工智能技術(shù)的爆發(fā)本質(zhì)上應(yīng)該同屬一類(lèi)。AI本身的誕生，依賴于大量的數(shù)據(jù)的產(chǎn)生，而數(shù)據(jù)本身，其實(shí)需要一個(gè)相對(duì)清晰的和完整的數(shù)據(jù)標(biāo)記集。

　　他解釋稱(chēng)，最早的神經(jīng)網(wǎng)絡(luò)可以追溯到1962年Hubel和Wiesel的文章，在那篇文章中已經(jīng)出現(xiàn)了多層的神經(jīng)網(wǎng)絡(luò)，包括卷積、池化等后來(lái)在神經(jīng)網(wǎng)絡(luò)中非常重要的概念也已經(jīng)出現(xiàn)，但是囿于時(shí)代的限制，這一成果沒(méi)有讓更多人注意到。而后來(lái)在1980年前后，Kunihiko Fukushima提出的一種分層多層人工神經(jīng)網(wǎng)絡(luò)，可以用于日語(yǔ)手寫(xiě)字符識(shí)別和其他模式識(shí)別任務(wù)，這也成為了卷積神經(jīng)網(wǎng)絡(luò)（CNN）的靈感來(lái)源。

　　而在上世紀(jì)末，LeCun提出的LeNet讓計(jì)算機(jī)視覺(jué)的準(zhǔn)確率大幅度提升，計(jì)算機(jī)視覺(jué)逐漸得到越來(lái)越多的關(guān)注。而CNN也在那之后逐漸被證明可以有效的處理各種計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理的問(wèn)題，因此得到了廣泛的使用。

　　步入2010之后，人工智能的大數(shù)據(jù)時(shí)代悄然降臨，標(biāo)志性的事件有兩個(gè)。其一是李飛飛和她的ImageNet，超過(guò)150萬(wàn)的訓(xùn)練樣本和1000個(gè)不同分類(lèi)，使得大家用來(lái)訓(xùn)練的樣本量足夠大。其二是GPU的大量普及，使得計(jì)算機(jī)的算力有了極大的提升。

　　隨之而來(lái)的是人工智能輝煌的十年，2015年何凱明提出的Resnet橫空出世，再一次提升了AI的準(zhǔn)確性和效率；2016年AlphaGo擊敗李世石，在圍棋這個(gè)項(xiàng)目中終于擊敗了最強(qiáng)的人類(lèi)選手。

　　但“今天的AI更像工程學(xué)的方法，更像計(jì)算工程了”，他補(bǔ)充說(shuō)。

　　盡管過(guò)去十年，隨著移動(dòng)互聯(lián)網(wǎng)的成熟，科學(xué)家能獲取和處理的數(shù)據(jù)量越來(lái)越大，這促進(jìn)了人工智能的極大發(fā)展，ResNet/Gan/DenseNet等優(yōu)秀的想法噴涌而出，但是這些眾多優(yōu)秀的辦法并沒(méi)有從底層邏輯上改變?nèi)斯ぶ悄艿谋举|(zhì)。

　　“以前的更多的是拼模型，拼算法，后來(lái)的今天變成了拼算力，拼數(shù)據(jù)集，拼誰(shuí)更有錢(qián)，誰(shuí)更能掌握生態(tài)場(chǎng)景。”

　　這一定程度上也解釋了如今人工智能為什么會(huì)大量的進(jìn)入垂直領(lǐng)域，因?yàn)橹挥羞M(jìn)入垂直領(lǐng)域才能獲得更多的數(shù)據(jù)，有了數(shù)據(jù)才能去嘗試去解決場(chǎng)景中的問(wèn)題。

　　這也導(dǎo)致了人工智能的另一個(gè)局限性，目前的人工智能只能解決完全信息和結(jié)構(gòu)化環(huán)境下的確定性問(wèn)題，如語(yǔ)音識(shí)別、圖像識(shí)別、下圍棋（完全信息博弈）等，與人類(lèi)大腦所表現(xiàn)出來(lái)的隨機(jī)應(yīng)變和舉一反三的能力相去甚遠(yuǎn)。

　　而尤其是當(dāng)面對(duì)到非結(jié)構(gòu)化的行業(yè)時(shí)，人工智能應(yīng)該如何進(jìn)一步發(fā)展？

　　腦神經(jīng)科學(xué)啟發(fā)AI？

　　中國(guó)人工智能專(zhuān)家、中國(guó)科學(xué)院張鈸院士認(rèn)為，這兩代人工智能理論上都存在著嚴(yán)重的缺陷，不能成為人類(lèi)智能行為的完備理論與模型。因?yàn)榉?hào)主義存在“符號(hào)根基”問(wèn)題（the symbol grounding problem），它只能用來(lái)模擬人類(lèi)的理性行為，不能用來(lái)模擬人類(lèi)的感性行為和與周?chē)h(huán)境的交互。連接主義在模擬感性行為方面取得一些進(jìn)展，但是它不能提升到理性的高度，因此存在著不安全、不可信、不可靠和不易推廣等缺陷。

　　他也提出，人工智能在過(guò)去十年的輝煌是因?yàn)閿?shù)據(jù)收集和處理量的極速增長(zhǎng)，而非算法本身的突破。

　　在人工智能人實(shí)現(xiàn)的多條路徑中，符號(hào)主義和行為主義遇到了瓶頸，而連接主義嘗試模擬大腦神經(jīng)網(wǎng)絡(luò)，于是借鑒人腦成了新的嘗試方向。

　　方向即是第三代的人工智能，建立可解釋和魯棒的人工智能理論和方法，發(fā)展安全、可信、可靠和可擴(kuò)展的人工智能技術(shù)。

　　但人工智能的基礎(chǔ)理論之所以遲遲未能建立，是因?yàn)槿四X是一個(gè)非常復(fù)雜的系統(tǒng)，搞清楚人腦怎么工作其實(shí)是非常困難的事情。

　　“從我們的角度，我們更認(rèn)為這是一個(gè)趨勢(shì)或者一個(gè)突破的可能性。”崔興龍稱(chēng)。

　　他認(rèn)為，人工智能的幾個(gè)發(fā)展階段決定了未來(lái)想要在底層效率上有所提升，就必須與腦神經(jīng)科學(xué)相結(jié)合。

　　他解釋稱(chēng)，腦神經(jīng)科學(xué)和人工智能的結(jié)合從最早Hubel和Wiesel的文章就開(kāi)始了。Hubel和Wiesel在20世紀(jì)50年代到20世紀(jì)60年代的研究發(fā)現(xiàn)，貓和猴子的視覺(jué)皮層中包含著能分別對(duì)某一小塊視覺(jué)區(qū)域進(jìn)行回應(yīng)的神經(jīng)元。當(dāng)眼睛不動(dòng)的時(shí)候，在一定區(qū)域內(nèi)的視覺(jué)刺激能使單個(gè)神經(jīng)元興奮，那這個(gè)區(qū)域就稱(chēng)為這個(gè)神經(jīng)元的感受范圍。相鄰的細(xì)胞具有相似且重疊的感受范圍。

　　為了形成一張完整的視覺(jué)圖像，整個(gè)視覺(jué)皮層上的神經(jīng)元的感受范圍的大小和位置呈現(xiàn)系統(tǒng)性的變化。左腦和右腦分別對(duì)應(yīng)其對(duì)側(cè)的視野。他們?cè)谄?968年的一篇論文中確定了大腦中有兩種不同的基本視覺(jué)細(xì)胞：簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞。Hubel和Wiesel還提出了這兩種細(xì)胞用于模式識(shí)別任務(wù)的級(jí)聯(lián)模型。“這是從這里開(kāi)始，才有了人工智能后續(xù)的一系列故事。”

　　崔興龍舉例本屆智源大會(huì)上Jeff Hawkins發(fā)表的題為“The Thousand Brains Theory - A roadmap for creating machine intelligence”的演講。計(jì)算機(jī)即得到輸入數(shù)據(jù)，對(duì)輸入信息進(jìn)行一系列處理，然后再輸出信息。然而，Jeff認(rèn)為這并不是大腦真正的工作方式。在他看來(lái)，大腦皮層是一種建模器官，它會(huì)學(xué)習(xí)關(guān)于世界的模型。我們所知曉的一切關(guān)于物體的形狀、觸覺(jué)、顏色、溫度、聲音，以及我們與物體的交互都會(huì)被存儲(chǔ)在該模型中。該模型還會(huì)囊括物體的位置信息，知曉我們與物體交互后物體會(huì)產(chǎn)生的變化，成千上萬(wàn)的物體、單詞、概念會(huì)被存儲(chǔ)于位于我們大腦的神經(jīng)元的模型中。

　　簡(jiǎn)而言之，在Jeff Hawkins看來(lái)，想要最迅速地創(chuàng)造真正的智能機(jī)器，也需要理解人類(lèi)大腦是如何工作的。而人類(lèi)對(duì)于人腦的研究還不夠。

　　崔興龍則認(rèn)為，今天很多AI的算法也好，各種各樣的深度神經(jīng)網(wǎng)絡(luò)也好，其實(shí)都對(duì)數(shù)據(jù)有一些損益或者消噪的方法，更多的時(shí)候也是一個(gè)趨近值，它并不是一個(gè)完整可言中的數(shù)據(jù)模式。

　　就如同Hawkins提出的千腦理論，通過(guò)腦科學(xué)的維度，大家的抽象和理解的方式會(huì)附著在AI的方式中，找到新的算法和可能性。

　　具體應(yīng)用場(chǎng)景到底有哪些？

　　在崔興龍看來(lái)，目前人工智能中運(yùn)用了一系列腦神經(jīng)科學(xué)的原理，包括cortical minicolumn、興奮抑制平衡、動(dòng)態(tài)網(wǎng)絡(luò)連接、Top down processing、Grid Cells和Dale Principle。

　　因?yàn)槟X科學(xué)技術(shù)本身就屬于一個(gè)極為復(fù)雜的交叉性學(xué)科，所以目前也更多的聚焦在基礎(chǔ)理論探索階段。

　　在利用腦科學(xué)基礎(chǔ)理論方向上，風(fēng)口最盛的腦科學(xué)技術(shù)應(yīng)該算是腦機(jī)接口，馬斯克的Neuralink公司已經(jīng)高調(diào)地向全世界宣布能夠讓一只獼猴通過(guò)大腦活動(dòng)來(lái)控制計(jì)算機(jī)。在醫(yī)療領(lǐng)域還有腦起搏器治療帕金森，清華大學(xué)航天航空學(xué)院院長(zhǎng)、神經(jīng)調(diào)控技術(shù)國(guó)家工程實(shí)驗(yàn)室主任、清華大學(xué)醫(yī)工交叉研究院院長(zhǎng)李路明介紹過(guò)“腦起搏器”的研究和應(yīng)用成果——將兩根1.2毫米電極植入大腦深處，連接著掛在胸前的脈沖發(fā)生器，通過(guò)用電刺激調(diào)控大腦，來(lái)刺激大腦的丘腦底核，用于治療帕金森癥。

　　崔興龍稱(chēng)，人腦在看到恐怖、討厭，或者喜歡的東西的時(shí)候反應(yīng)也是不一樣的。大腦所呈現(xiàn)的反射區(qū)域跟腦波不同，這個(gè)時(shí)候就產(chǎn)生了很多有價(jià)值的數(shù)據(jù)和模型。所以在可穿戴教育上也存在一些機(jī)會(huì)，比如利用腦波信號(hào)檢測(cè)疲勞，注意力分散等多種應(yīng)用。

　　目前元知科技的一大研究重點(diǎn)，正是腦科學(xué)和AI的結(jié)合。但本身確實(shí)比較另類(lèi)。

　　崔興龍個(gè)人更傾向于讓腦科學(xué)中的核心算法和邏輯去被AI所學(xué)習(xí)，然后通過(guò)AI輔助腦去做數(shù)據(jù)上的測(cè)算，他認(rèn)為“這是比較高級(jí)的一種方式”。

崔興龍?jiān)赪AIC上演講元知科技供圖

　　這或許和元知科技的投資體系存在一定關(guān)系，它其實(shí)是一家“以生態(tài)整合科技資源，以投資拉動(dòng)生態(tài)資源”的公司。

　　元知科技集團(tuán)的布局非常廣，包括智慧醫(yī)療、智慧營(yíng)銷(xiāo)、智慧交易、智慧法律等多類(lèi)AI相關(guān)業(yè)務(wù)。過(guò)去二十幾年，投資包括了中國(guó)第一條高速光纜，還有商湯、360以及平安科技等，前一段時(shí)間還剛剛投資廣汽汽車(chē)，并推出了合創(chuàng)汽車(chē)。之所以實(shí)現(xiàn)了這么廣泛的布局，是因?yàn)樵萍技瘓F(tuán)背后的更大股東，其實(shí)是珠江投資。

　　可以理解為，珠江投資有意將過(guò)去二十幾年投資的公司和元知科技的技術(shù)結(jié)合在一起，讓科技撬動(dòng)時(shí)代，所以它就成了一家自帶技術(shù)和場(chǎng)景的公司。

　　這對(duì)于深入了解非標(biāo)的數(shù)據(jù)提供了線下基礎(chǔ)。

　　崔興龍稱(chēng)，人工智能要解決社會(huì)深層效率，就必要往下走，深入到服務(wù)商，而元知背后的地產(chǎn)、房產(chǎn)、汽車(chē)、醫(yī)療、教育、金融等等更深層更非標(biāo)的大宗場(chǎng)景結(jié)合腦科學(xué)+人工智能技術(shù)大有可為。

　　在元知科技的研究體系中，上研院主要在做無(wú)人駕駛和通用機(jī)器人這塊的研究。而北研院通過(guò)行為尺度觀測(cè)、腦尺度觀測(cè)，在做行為線上線下的動(dòng)態(tài)分析決策，能夠?yàn)橛脩舳床旌推放泼浇樘峁┮恍┏?jí)心智的營(yíng)銷(xiāo)。兩者都植入了一些腦科學(xué)技術(shù)的思路。

　　“我們的應(yīng)用其實(shí)也算是做營(yíng)銷(xiāo)方面的一些嘗試。”崔興龍稱(chēng)。

　　他認(rèn)為，人都有一個(gè)決策判斷的機(jī)制，而我們所謂的認(rèn)知科學(xué)中其實(shí)跟大腦的行為神經(jīng)生物系統(tǒng)是正相關(guān)的，“因?yàn)樯窠?jīng)行為生物系統(tǒng)學(xué)研究的本身就是人類(lèi)如何思考、記憶、存儲(chǔ)和決策的邏輯。”

　　人工智能正在從感知科學(xué)過(guò)渡到認(rèn)知科學(xué)，而通過(guò)人的行為——比如一些人過(guò)馬路的時(shí)候向這邊走還是向那邊走？過(guò)馬路的速度究竟是什么樣的？這些人在一個(gè)商場(chǎng)中的動(dòng)線究竟是怎么來(lái)的？以更多的基礎(chǔ)數(shù)據(jù)作為填充，將人在環(huán)境中動(dòng)線和行為路徑進(jìn)行分析，是可以研究出不同結(jié)論的。“因?yàn)檫@些決策也和你大腦的決策機(jī)制正相關(guān)。”

　　而通過(guò)更多行為數(shù)據(jù)對(duì)于人心智更詳細(xì)的分析和描述，AI結(jié)合腦科學(xué)將在心智營(yíng)銷(xiāo)領(lǐng)域大有可為。

　　一個(gè)案例正是來(lái)自于合生匯。合生匯每天會(huì)有十幾萬(wàn)的數(shù)據(jù)流（客流量），而在此前只有七八萬(wàn)，元知科技幫助合生匯進(jìn)行了包括動(dòng)線改革，色彩重新排列以及區(qū)域調(diào)整等一系列營(yíng)銷(xiāo)動(dòng)作，讓合生匯從不太知名提升成為了朝陽(yáng)區(qū)域內(nèi)僅次于SKP商場(chǎng)一樣的存在。

　　“合生匯原來(lái)每天設(shè)計(jì)客流量是1到3萬(wàn)，但現(xiàn)在我們達(dá)到了10萬(wàn)”，而“原來(lái)一天只有1000萬(wàn)不到的交易額，但是現(xiàn)在已經(jīng)遠(yuǎn)遠(yuǎn)超出了這個(gè)數(shù)字”，可以看到，在這個(gè)場(chǎng)景下，對(duì)于用戶心智信息的分析，更像是私域流量下用戶動(dòng)線的分析及運(yùn)營(yíng)效果的提升，也是一種腦科學(xué)的理論。

　　很多神經(jīng)網(wǎng)絡(luò)學(xué)術(shù)人才都認(rèn)為，腦神經(jīng)科學(xué)+人工智能，將成為新的復(fù)合型學(xué)科，也將加速與其他學(xué)科領(lǐng)域交叉滲透。尤其是隨著超分辨率光學(xué)成像、光遺傳學(xué)調(diào)控、透明腦、體細(xì)胞克隆等技術(shù)的突破，腦與認(rèn)知科學(xué)的發(fā)展將深度結(jié)合，人工智能將進(jìn)入生物啟發(fā)的智能階段。這個(gè)領(lǐng)域的覆蓋范圍可能比人工智能更廣泛。

　　崔興龍是一名堅(jiān)定的腦科學(xué)技術(shù)信徒。他認(rèn)為，人工智能和腦神經(jīng)科學(xué)未來(lái)結(jié)合的機(jī)會(huì)還有很多，包括腦機(jī)、外骨骼、以及機(jī)電信號(hào)、類(lèi)腦芯片、腦科學(xué)和AI的模擬等。

　　備注：