当前人工智能依靠的底层理论是基于多层神经网络的深度学习，而深度技术算法所支持的人工智能应用空间集中在（或局限于）图像识别和语音识别。人工智能识别做的是比对，这时信息进入大脑后缺少加工、理解、思考等步骤，还停留在感知阶段，未能达到认知阶段。


机器学习/深度学习算法兴起于上世纪50年代（一直沿用至今），今天深度学习算法的潜力已近天花板，限制了人工智能扩大应用创新。

 

今年五一前夕，徐匡迪院士提出“中国有多少数学家投入到基础算法研究中？”这就是偏于悲观估计的《徐匡迪之问》：近年国内一片火红的人工智能披着一层华丽虚假的面纱，数学家、脑科学家等资深专业人才极少投入，底层理论未有突破，核心算法缺位，人工智能发展面临“卡脖子”窘境。
 

2014年IBM研究类脑算法，开发TrueNorth芯片，支持人工智能应用创新，以期向“认知”迈进。IBM开发基于大规模脉冲神经网络的类脑算法的TrueNorth芯片，是由4096个细小的计算内核组成，这些计算内核形成了100万个数字脑细胞和2.56亿个神经囘路，像“大脑神经元”一样工作（不同于运行打包成指令序列的传统人工智能芯片）。

2019年在《nature》杂志封面上发表了清华大学丨施路平团队研发的“世界首款双控异构融合类脑芯片”，其意义非同凡响！

《nature》杂志封面上发表清华大学施路平团队研发的“世界首款双控异构融合类脑芯片”

2014年清华大学类脑研究中心施路平团队研发类脑技术，将基于脉冲神经网络（ANN）的类脑计算算法与基于人工神经网络（SNN）的深度学习算法集成到一颗芯片“天机芯（TianJic）”上，实行资源复用，利用交叉优势，使人工智能应用创新更接近于“自主思考”的认知阶段。

天机芯应该属于CGRA结构（这是一种更高层次的可重构技术），对应Tianjic的FCcore是一个结合了SNN和ANN主要算法的统一硬件结构，而且在一块芯片上同时支持商业应用和算法研究，可以说这是Tianjic最大的创新点。在无人驾驶的自行车上进行功能验证，应该说施教授团队选择如此应用场景让人眼前一亮，极具吸引力和冲击力。

 

搭载该芯片的自动行驶自行车展示了自平衡、动态感知、目标探测、跟踪、自动避障、过障、语音理解、自主决策等功能。

第二代天机芯（2017）具有高速度丶高性能丶低功耗等特点，比TrueNorth芯片动能更全，灵活性和扩展性更好，速度提高10倍。

 

天机芯片单片（左）和5x5阵列扩展板（右）
图片来源：清华大学官网

现在看来，IBM研发True North芯片，Intel研发Loihi芯片，均偏重于底层理论研究，即偏重于对类脑脉冲神经网络及类脑算法的研究。脉冲神经网络（ANN）是模拟生物神经元连接和运行方式的模型，通过计算产生神经电脉冲进行信息传递，这和传统网络的权重连接+激活的方式有很大差别。目前国内外学术界和产业界对ANN研究还不多、不深，主要在基础算法上尚未见到关键性突破。


国内一些AI专家认为，纯脉冲神经网络（和其类脑基础算法）将是推动人工智能发展进入认知阶段的关键。他们目前正在致力于研发ANN（已有几年），我认为应该将这项研究成果，不光结合或应用于纯脉冲神经网络，更要结合或应用于ANN+SNN异构融合网络。


现将已发布的搭载SNN芯片参数一览表公布如下： 

 

 

 

附：评人工智能如何走向新阶段-后记

自《评人工智能如何走向新阶段》一文发表（在内部）后，引来了专家、草根们的广泛议论，有深有浅，其中似有一些思考价值，故录入本文后记：

 

 

 

 

 

 1、

目前人工智能在理论上并无明显进展，依赖于云计算、高存储、分布式系统和深度学习，今天人工智能的成果，都是基于以前理论研究对应用场景的实现上。未来人工智能的发展期望在理论和生物技术上的突破。

 

 

 

2

 、

 

脉冲神经网络（ANN）可以模仿人脑的电气信号，是模拟生物神经元连接和运行方式的模型，通过计算产生神经电脉冲进行信息传递。目前，国内外一些专家正在对脉冲神经网络进行研究，未来人工智能的发展期待对脉冲神经网络和类脑算法的关键性突破。

 

 

 

3

 、

人工智能如果要突破情感还需要化学成分，需要这方面的专家进行底层理论协同研究。

 

 

 

 

4、人工智能还需要心脏类（生物器官）的东西，对“器官记忆”这类仿生学的研究也许是人工智能底层理论研究的关键之一。

 
 

 

 

 

 

5、未来人工智能的发展还需要进行伦理方面的研究。

 

 

 

6、现时国内在构建人工智能核心技术的工具或框架上，在开源平台上，以及在人工智能硬件（如微处理器芯片）方面，还是比较落后的，过去这些开源平台和高端芯片大多是由美国方面设计、研发的，人工智能开源平台可以帮助电脑像人脑一样工作（百度的“飞桨”平台是由中国人开发的先例）。国内大概需要花5-10年时间才能在基础理论和核心算法上追上美欧水平。

 

 

 7、

为了推动人工智能的发展，人才是关键，为此要制定和执行人才政策以及人才培养、引进和使用计划，政策和计划的前提要体现开源开放精神。一位美国专家谈“如果美国不再提开放开源的前沿，那就是在冒险将人工智能人才送到主要竞争者手里，包括中国”。

 

 

 

 

 

8、 

2017年清华大学施路平教授等研发“世界首款双控异构融合类电脑芯片”（将基于脉冲神经网络ANN的类脑计算算法与基于人工神经网络SNN的深度学习算法集成到一颗芯片“天机芯（Tianjic）”上，将人工智能的应用创新推进到更接近于具有“自主思考”成份的“认知智能”阶段。第二代“天机芯（Tianjic）”的照片刊登在英国《nature》杂志的封面上。

 

 
 

 

 

 

9、IBM从2014年开始研发TrueNorth芯片，进行底层理论研究（即对类脑脉冲神经网络ANN及类脑算法的研究），以期推动人工智能发展。两年前IBM发布类脑芯片TrueNorth引起了轰动。IBM先搞了一个简易的核心电路，采用asynchronous circuit，当时是非常大胆的，这个研究项目主要是为了验证神经形态计算硬件。因为芯片面积超过100平方毫米，良品率非常低，不能量产，随后Synapsa Project已结束了，不会再有True NorthV.2了。

 
 

10、脉冲神经网络类脑芯片的进步将会带来计算体系结构的革命，是下一代人工智能发展的重要突破方向。由浙江大学牵头研发的脉冲神经网络类脑芯片“达尔文2”已于近期发布（2015年发布“达尔文1”，现在已启动研究“达尔文3”），达尔文2单芯片由576个内核组成，每个内核支持256个神经元、神经突触1000多万（即单芯片支持的神经元规模达15万个），经过系统扩展可构建千万级神经元类脑计算系统（在神经元数目上相当于果蝇的神经元数目），达尔文2是目前已知单芯片神经元规模居全国前列。该类脑芯片目前主要应用于图像物体识别、视频音频理解、自然语言处理、脑电识别，较之基于深度学习的人工神经网络，具有独到优势，更擅长于模糊数据处理。

 

 
 

 

11、百度自动驾驶汽车曾在《开源中国开源世界高峰论坛》上发表（三年三届），目前我们自动驾驶汽车不再单纯追求高速复杂路况下跑几千公里的酷炫目标，首先要关注安全和效率，主要在低速开放道路上实现自动驾驶（低速场景L4级自动驾驶先于高速L3级自动驾驶实现）。当前自动驾驶汽车还停留在深度学习开发框架上（当然还有深化余地）。这方面人工智能的发展，要加快在路侧的基础设施建设，并充分建设、利用开源平台。
 

 

12、早在上世纪末叶，有人提出能否可利用直接基于人脑神经元（不是类脑神经元，也不是人工神经元）的深度学习技术以推动人工智能的进步？可是由于人脑神经元极其纤细脆弱，难以与植入人脑的芯片连接，这个设想久未成功。据悉今年8月卡内基梅隆大学贺斌教授领导的人工智能科研团队，将一块含有深度学习框架及脑机接口的芯片植入人脑，取得与大脑神经元无创连接的成功。从此将凭人旳意念（思维或想像力），利用人脑神经元来操控机器（机器人或机械手）创造条件。这是一种人脑智慧/智能与人工智能结合/协同的模式，即人机协同模式，可以冲破人工智能感知阶段，到达认知阶段。 

 

 

 

 

 
 

13、纯脉冲神经网络超越深度网络才是更大看点，我们（指国内）正在做，希望一两年能有突破。 

 

 
 

 

 

 

14、脉冲神经网络不是IBM首创，TrueNorth当时的卖点是芯片实现了大规模脉冲神经网络、低功耗。 

 

 

15

 
 

 

15、清华这辆自行车成精了，可自我平衡，自动绕障避障，自主管控，自主决策。 

 

 

16

 
 

 

16、推动人工智能发展关键在人才。网友转抄清华大学“中国科技政策研究中心”报告：至2017年，全球AI人才204850人，中国AI人才18230人，占全球8.9%，美国27470人，占全球13.9%，中国AI人才是美国的2/3。按高H因子衡量，中国AI杰出人才977人，美国4885人，中国是美国的1/5。 

 

 

17

 

 

17、从“2019全球AI人才分布图” 
（https://www.huxiu.com/article29556.html）看，那些发表AI论文的高产作者主要是毕业于美国的博士，占44%，在中国获得博士学位的作者约11%，其次是英国6%，德国5%，加拿大4%，法国4%，日本4%。从就业数据地域分布看，美国继续吸引AI研究人员为之工作的占46%，中国占11+%，其次是英7%，德4%，日4%。在顶级刊物上有影响的AI研究人员全球约4000人，其中美国1095人，中国255人，英国140人，澳大利亚80人，加拿大45人。从AI人员流动情况看，美国最能吸引AI研究人员为之工作，中国其次，其吸引的绝对数量占美国的1/4。 
 

 

 

 

 

 

18、回顾以往中国人工智能发展中存在的人才问题，一优一劣，优在青年人才充足，劣在高端人才培养人数少，如何扬长补短是我们在AI人才政策上面临的急切任务。
 

 

19、人工智能的发展可分为感知智能、认知智能、决策智能三个阶段，目前处于感知智能阶段，依靠深度学习算法，而欲进入认知智能阶段，则要依靠类脑计算，到未来决策智能阶段，恐要依靠量子计算。
 

 

20、全球人工智能领域图灵奖得主共11人（10个美国人，1个加拿大人）。 

 

 

 

21、百度自动驾驶已有好几年了，我们开发了开放开源的Apollo平台，两年来已成为全球最活跃的自动驾驶平台：全球15000+开发者向平台贡献自动驾驶软件，我们经过多次迭代，开源代码行数超过40万行，通过平台汇聚了包括奔驰、宝马在内的140多家合作伙伴。2017年初，我们发布了Apollo1.0（封闭场地自动驾驶循迹），同年9月发布1.5（固定车道自动驾驶），2018年发布2.0（简单城市道路自动驾驶），又发布3.0（量产园区自动驾驶提供无人小巴），真正把自动驾驶变成可以量产化可乘坐的产品，去年已安全运载3万多人次，现在大家可到海淀公园体验试车。 

2019年1月我们在拉斯维加斯CES会展上发布3.5（城市路况自动驾驶），这是迄今最强大的Apollo开放开源平台，它成为全球首家能应用于普通城市交通环境的开源自动驾驶平台，能够安全行驶通过车道线不清的窄道，无红绿灯控制的路口，街道槽车、减速隔离带等多种特殊路线段。但要实现普通乘用车人工智能的全自动驾驶，还会遇到很多技术上的挑战，还需相当长的时间才能完成。 

 

 

 

 

22、当下小米开发并推销了具全球影响的人工智能家居应用系统，我们打造的AIoT平台已经成为全球最大的消费级AIoT的开源平台，目前我们在全球联网设备达数亿台，构成了未来打造AI赋能的万物互联网的基础。2018年小米开源了MACE移动端深度学习框架，今年我们推出9个HBaseCommitter，开源了Kaldi模型到ONNX模型的转换工作（kaldi是语音识别领域一个应用广泛的开源框架），在ApacheHBase这个研发项目上小米所作贡献占全社区的1/4。 小米打造AIoT是一个无处不在无所不能的AI能力系统，未来小米的AIoT家居系统，一个手势、一个眼神就可能唤醒智能设备，这里的人工智能可能还要加入一些情感因素，为此未来小米的AIoT将迎接人工智能更大的挑战。 

 

 

23、华为在昇腾AI处理器基础上开发了Atlas 900人工智能训练集群，基于深度学习框架，可用于人脸识别、车辆识别、具有超强算力（算力达到256PFLOPS），用于分析20万颗星体仅需59.8秒，（比现在世界纪录快10秒）也可做成模块化装置，用于摄像头、无人机、等终端应用领域。 

有人说深度学习技术潜力已近天花板，从本例看来，这个论证不完全正确。深度学习还可进一步提升算力！只是基于深度学习难以使人工智能跨越感知抵达认知。