人工智能的“脑洞”有多大? 院士：目前太依赖计算

 就像打了一剂强心针，当世界上第一台超越早期经典计算机的光量子计算机横空出世后，人们对人工智能时代的期待似乎有了更多的底气：超越经典的量子计算机已经有了，打败超级计算机的量子计算机还会远吗?

一旦后者实现，人类将再次以计算能力为傲，窥探人类大脑的奥秘，从而扫除人工智能研究的一大障碍。目前来看，面对人类大脑，这个虽然只有1.5公斤左右重，却拥有1011个神经元的家伙，让人类束手无策——要模拟整个大脑的计算能力，世界上目前任何一台计算机都难以胜任。

在近日由中国科学院学部主办，中国科学院自动化研究所等协办的“脑科学与人工智能”科学与技术前沿论坛上，就有不少业内人士提出这样的遐想：建设支持深度学习的新型计算机群，已成为一些人工智能研究的必然选择，那么人工智能研究究竟需不需要量子计算机那样的计算能力?

“我们今天的科学家，尤其是计算机科学家，把‘计算’用得太狠了，对‘计算’的依赖甚至有些‘贪得无厌’了!”中国工程院院士、中国人工智能学会理事长李德毅却在论坛上给大家泼了冷水。在他看来，人工智能学者不能只盯着“计算认知”，一味要求 “人脑”研究的步伐有多快，而要拿出更多的精力放在“记忆认知”和“交互认知”上。

脑科学能启发人工智能的并不多?

李德毅之所以对“计算认知”不感冒，还要从谷歌公司的一则报道说起——

2015年5月15日，谷歌对外称该公司旗下无人驾驶汽车有上百万英里的测试经验，大致相当于人类75年的驾龄。

“这75年的驾龄是如何‘计算’出来的?”这引发了李德毅的思考：当无人车上路、发驾照提上日程，驾驶认知“度量”已经成为各国交管部门当务之急时，脑认知该如何度量?信息是用“比特”来度量，能量是用“焦耳”来度量，那么脑认知呢?

脑科学学者似乎并未给出这样的答案，人工智能学者也就无从得到启示。

这成了一个隐喻：脑科学、人工智能，两个同属21世纪的前沿学科，在过去数十年间彼此相对独立，鲜有交叉。

中国科学院外籍院士、中国科学院神经科学研究所所长蒲慕明在当天的论坛上也提到，不管是国内还是国外，都是如此，不过随着研究手段不断丰富，研究领域不断突破，两者的交叉融合成为热点，甚至出现一个新的研究名词，类脑智能。美国、欧盟都相继启动相关研究计划，中国也启动了脑计划。他说，中国的计划是将脑科学和人工智能结合得最为紧密的。

比如，现在流行的深度学习，就是基于人工神经网络的一个应用，这些人工神经网络都可以从神经科学的一些规律中得到灵感。蒲慕明说，比如可以借鉴神经突触的可塑性、记忆储存、提取与消退，等等。

不过他也承认，目前的脑科学研究能启发人工智能的并不是特别多。

蒲慕明给出一个类比，当前的脑科学研究，仅相当于物理、化学等学科在19世纪末期的研究水平，“要完全理解大脑，可能是几个世纪的事情，而不是我们这个世纪就可以达到的。”他说。

那为何还要做类脑研究，蒲慕明说，必须要在这个时候做一些适当的应用，假如不把已经知道的知识应用到对脑疾病的诊断、干预和治疗上，那么到2050年我们的医疗系统很可能要面临崩溃——那时你会发现仍然没有一个脑疾病能够治愈。

相应地，人工智能的应用也是如此。他说，不一定非要完全搞清楚，神经科学一些具有阶段性的成果，也可以给人工智能的发展提供启发。

什么是人类最重要的智能行为?

中国科学院院士、中国科学院自动化研究所研究员谭铁牛就在现有的研究基础上，得出一个结论：“模式识别”是人类最重要的智能行为，也是人工智能重要的研究内容——机器的“模式识别”能力，在一定程度或者很大程度上反映了机器智能“类人”的程度。

在当天的论坛上，谭铁牛举了几个模式识别的例子。比如语音识别，近些年突飞猛进的科大讯飞，能将维吾尔语翻译成汉语，汉语翻译成维吾尔语;再如步态识别，在看不到人脸、虹膜和指纹的时候，就能通过步态在几十米外感知到其身份。

此外，还有图像识别，其中具有代表性的人脸识别，早在几年前马云刷脸支付已经引爆舆论热点。谭铁牛本人就在进行虹膜识别的研究，并建立了目前国际上规模最大的共享虹膜图像库，被多国共享使用。他说，这不仅可以用在手机上，还可在查找丢失儿童上发挥作用。

谭铁牛说，模式识别的技术瓶颈可通过借鉴生物的机理改进，未来生物启发的模式识别在人工智能领域前景可期。其最终追求，是希望模拟逼近人的模式识别，这是非常艰巨的过程。

他也提到，模式识别的主要瓶颈在于鲁棒性、自适应性和可泛化性。

鲁棒性，说白了，就是人工智能“够不够皮实”“是不是稍微有点扰动，就会出错”。谭铁牛举了一个例子，比如在酒会上聊天，背景噪音比较多，如果想听清其中某一个人的声音，就要忽略或者抑制背景中其他对话的干扰——人类可以做到这一点，也就是听觉系统所谓的鸡尾酒效应，但人工智能可以吗?

所谓自适应性，则比较容易理解，谭铁牛说，人类的眼睛会随着灯光的变化、环境的变化进行调整，这说明自适应性非常强。这一点可以应用到人工智能上，比如人脸识别，有一位朋友十几年甚至几十年没见，再见面是否还能认出来?他说，现有的模式识别在这方面还不是很理想。

可泛化性，说白了就是“举一反三”。谭铁牛说，当小孩认识苹果后，即便只记住了一次，也可以识别其他类型的苹果，这说明人类看到一个东西后，不仅知其然，还知其所以然。而知其所以然，就是人工智能领域所说的“深度学习”。但目前的人工智能深度学习，必须建立在大量数据的基础之上，这一点也有待进一步研究。

谭铁牛说，要解决这3个问题，关键还是看人类本身，在微观层面上，人工智能的模式识别可借鉴人类的神经元，神经元有兴奋性、抑制性、功能可塑性和传播性。科学家受到这个启发，增强了模式识别动态系统的稳定性。

无人驾驶是人工智能的突破口?

李德毅已经找到了一个实践的突破口：自动驾驶。他说，无论是对话、诗词或者驾驶，图灵测试都允许测试者现场介入，判定结果都带有近似性和主观性。但是，和对话、诗词测试相比，驾驶的图灵测试可以进行更为精确、更为客观的评测。

他说，当初汽车被发明出来的时候，人们最感兴趣的是汽车的结构、机械、传动、轮胎、底盘和车身。到20世纪，人们感兴趣的则是发动机、碳排放和被动安全。到20世纪末、21世纪初，人们总体上关心3件事情，轻量化、清洁化、智能化。

所谓智能化，在他看来有4个阶段，第一是理性辅助驾驶，以人驾为主;第二是自动驾驶，局部时段可以放开手和脚;第三是自动驾驶，即用自动驾驶接管驾驶权;第四是人机协同驾驶。

在李德毅看来，无人驾驶，难在拟人。

他感叹：汽车是从马车演变而来，作为动力工具，汽车的马力可以达到100匹马力，但汽车远远不如马应对不同的负荷、天气、路面，以及不同车辆情况下的适应能力。说白了，汽车的感知、认知能力远远不如马这个认知主体，“老马识途，车不如马!”

李德毅说，其根本问题不在于车而在于人，要解决人的问题，就要让驾驶员的认知能够用机器人替代，让机器人具有记忆、决策和行为能力，于是新的概念产生了——“驾驶脑”。

“驾驶脑”不等于驾驶员脑，“驾驶脑”是要做驾驶员的智能代理，要去完成包括记忆认知、计算认知和交互认知在内的驾驶认知，他说，这应该是人工智能时代最有意义的课题之一。