类脑智能，怎么就成了AI的新宠？_风闻
新眸-2021-07-21 14:17
撰文｜西寅
编辑｜栖木
类脑智能，正在成为AI领域的新角逐点。
就当下而言，类脑研究已经成为世界各国研究的科技战略重点，美国、欧盟和日本相继提出自己的脑计划，类脑研究皆被列为其中重要内容。与此同时，中国正在制定的脑计划中，类脑与脑机智能也属于核心内容。
事实也的确如此，随着大脑成像、脑机交互、生物传感、大数据处理等新技术接连迭代，脑科学开始与计算技术、人工智能、认知心理等其它学科交叉融合，作为AI的新突破口，类脑智能正迎来技术奇点时刻。
“作为一种借鉴人脑存储处理信息方式发展起来的新技术，类脑计算将是人工通用智能的基石。”清华大学精密仪器系教授、类脑计算中心主任施路平曾这样表示，即便如此，身处AI领域的类脑智能，依然面临着AI的共性问题，比如落地场景不清晰、成本高昂、回报比难核算等问题。
基于此，本文新眸将着重解构类脑智能及其商业化逻辑。
老树，能否开新花？
不可置否的是，人工智能的整体发展似乎陷入了瓶颈期。
“在我们今天学习框架和基础科学范围内，未来会不会出现超级智能，或者说通用人工智能，到达人类创新思维能力，其实还是一个科学范畴的问题。”主攻人工智能类脑方向的元知智能研究院院长崔兴龙如是说。
以上观点里的逻辑并不难理解，通俗的讲，就是人工智能虽被冠以智能二字，但“智商”却没有人们想象中的高。
举个简单的例子，当日本福岛核电站发生泄漏后，本被寄予厚望的机器人并没有顺利完成灾后事故处理任务，大量高风险的工作仍然需要由人力来完成；爆火的无人驾驶的概念车，只能在某些测试路段上做到高度自动驾驶，无法在人口密集、地形复杂的城市街道上正常行驶。
这些具体应用中存在的痛点，其实都指向了以深度学习为代表Al技术，依然存在局限性。
究其原因，还是要回归到技术维度上来解读。一般来说，深度学习是通过卷积神经网络（CNN）或递归神经网络（RNN）来实现，虽然CNN和RNN都属于人工神经网络，但其中的人工神经元，至今仍在使用上世纪40年代时的模型，虽然现在设计出来的人工神经网络变得愈加复杂，但从本质上来看，其神经元模型并没有太大的改进，均只是对人类大脑神经系统的高度简化与抽象化。
在此之下，Al落地难的问题不可避免地发生了。
比如机器学习不灵活，需要较多人工干预或大量标记样本；自主学习、自适应等能力弱，高度依赖于模型构建；人工智能的不同模态和认知功能之间交互与协同较少、仅解决特定问题，适用于专用场景智能。
这就让人产生了一种错觉，AI似乎没有那么智能，人脑在可解释性、推理能力、举一反三能力等方面依然领先一筹。这就意味着，AI想要完成进一步突破，对类脑智能的深入研究就显得非常关键且必要。
总的来说，类脑智能受大脑神经运行机制和认知行为机制启发，以计算建模为手段，通过软硬件协同实现的机器智能。近年来，针对类脑智能的脑科学研究正从传统的认识脑、了解脑向增强脑、影响脑的过程发展，完成从“读脑”到“控脑”的转换。
归纳起来可以理解为，类脑研究是以借鉴人脑处理信息方式为目标，模拟大脑神经系统，构建以数值计算为基础的虚拟超级脑；或通过脑机交互，最终建立新型的计算结构与智能形态。
关于类脑智能研究的重要性，或许可以从图灵奖得主Patterson David的观点中窥得一二，他认为重新定义体系结构是基础性创新，未来十年将是计算机体系结构的黄金十年，在人工智能领域，类脑智能被看作是实现下一代人工智能的重要技术路径之一，极有可能带来智能计算的下一波浪潮。
绕不开的AI商业化难题
类脑研究想要实现“懂脑、仿脑、连脑”三步走，就要对应完成脑认知基础、类脑模拟、脑机互联。
然而，类脑智能研究的第一步，就要直面过去几十年横亘在脑科学研究领域的难题：对人类大脑机理的清晰认知。虽然大脑是人类进化的高级产物，重量约1.5公斤，占体重2％，功耗约20瓦，占全身功耗20％，但当前人们对大脑的认识依然不足5％，尚无完整的脑谱图可参考。
早期人们对大脑内部的认知，来自于软硬件上模拟生物神经系统的结构与信息加工方式。就当下而言，虽然科学家们对单神经元模型、部分神经环路信息传递原理、初级感知功能机制等已有较清楚的理解，但就大脑全局信息加工过程，尤其是对高级认知功能的认识还非常粗浅，大脑信息处理的数学原理与计算模型仍不清楚，针对脑功能分区与多脑区协同的算法尚不精确。
与此同时，基于硬件的类脑计算过程模拟，在类脑器件、芯片和体系结构方面仍面临着种种挑战，传统架构的计算系统面临着能耗高、算法构造困难等问题，与传统计算机相比，人脑能够以极低能耗处理多种不同类型的智能任务，在现有类脑芯片在有限硬件资源、有限能耗约束下，难以实现大规模神经元互连集成和神经元脉冲信息高效实时传输。
言下之意，如何突破现有计算系统架构，建立类脑的新型体系结构和计算方式，仍需重点探索。一方面，是对大脑的生理机制知之甚少；另一方面，是无法把大脑的工作方式抽象成计算机可以理解的数学模型，这是类脑人工智能落地困难的两大原因。
除此之外，类脑智能还要面临来自AI难商业化的共性问题压力。
新眸曾在《AI难逃“集邮”命运》一文中提到，AI商业化的本质并非专注于技术的迭代优化，而是善用技术解决客观存在的实际商业问题，从众多的应用场景分析可知：一方面，人工智能能够将人从简单、重复、繁重的工作中解放出来，算法仍是AI准确性和效率的核心；另一方面，场景的适配性是AI成功落地的关键环节。
就目前AI行业格局来看，早期玩家原始技术积累基本完成，正处于卡位具体场景商业化阶段。尤其是基于视觉、语音和文本的AI技术相对较为成熟，在相对好落地的To B领域（比如零售、安防、教育、教育、金融等）已经扎满了玩家，空间所剩无几，而To G又不是普通玩家能够驾驭的。
这直接导致了AI赛道的整体降温。根据亿欧网数据，中国AI初创企业从2012年起，经过4年的高速发展，在2016年达到顶峰，而后 AI 创业热度逐步降温，2020 年1-4月仅成立4家AI企业，是2019年全年数量的12%。如果按照这个数据来推算2020年全年，AI领域初创企业也不及去年的一半。
由此可见，类脑智能想要实现进一步突破，AI商业化的共性问题依然需要克服。
共性难题下的新路径
过去60年，人工智能经历了2次从爆发到低谷的过程，到了21世纪，随着数据的爆发式增长，算力和深度学习的成熟，人工智能迎来了第3次发展浪潮。
整体来看，人工智能商业化速度非常快，在生物识别、计算机视觉领域有着相对成熟度更高、商业化更早的技术，并且在公共安全、语音识别、金融、广告营销等领域落地了较好的应用。可以说，商业化是近几年维持人工智能热度的主要驱动力。
然而，就像前文所提到的，由于现阶段Al底层技术还存在较多局限性，反映在实际的商业业务中，会催生出“业务需求理解难”、“业务价值证明难”、“AI认知差异大”、“落地成本高”等系列问题。
其中最让人诟病的，当属于在社交、办公等强需求场景下，Al玩家的解决方案大致趋于相同，很容易陷入同质化窘境，在面对Al行业常见的“场景悖论”时，玩家突围的关键逻辑在于对细分场景的感知与洞察。
在热门的细分场景中，各个竞争者的准确率都不相上下，如果想通过提高准确率来超越对手，就得付出非常高额的成本，因为Al在各个场景中，必然会面临对于机器模型来说相对长尾的内容，在刚刚结束的世界人工智能大会上，崔兴龙博士就以商业营销为例，分享了元知智能研究院结合两条AI发展路径打造的“超级心智”，是如何应对Al商业化过程中的长尾数据难题。
换句话说，“超级心智”将信息在品牌、消费者之间通过媒介传播的全过程进行量化和动态拟合，实现营销过程的全量化，从而将长尾数据也融入至全场景和全链条的消费数据之中。
需要注意的是，即便类脑智能在Al商业化上已有所建树，但眼下整体行业仍处于摸索阶段，与发达国家相比，我国在类脑智能的前沿研究，以及软硬件结合的类脑智能机器人领域的原创与研发能力方面，依然有待进一步弥合。
慢即是快，做难而正确的事，向下渗透场景，更快更灵活地把技术优势转化为产品优势，获得市场占有率，或许会让类脑智能在其商业化路径上找到正确的“发动机”。
渗透场景，更快更灵活地把技术优势转化为产品优势，获得市场占有率，或许会让类脑智能在其商业化路径上找到正确的“发动机”。