當前人工智能依靠的底層理論是基于多層神經網絡的深度學習，而深度技術算法所支持的人工智能應用空間集中在（或局限于）圖像識別和語音識別。人工智能識別做的是比對，這時信息進入大腦后缺少加工、理解、思考等步驟，還停留在感知階段，未能達到認知階段。


機器學習/深度學習算法興起于上世紀50年代（一直沿用至今），今天深度學習算法的潛力已近天花板，限制了人工智能擴大應用創新。

 

今年五一前夕，徐匡迪院士提出“中國有多少數學家投入到基礎算法研究中？”這就是偏于悲觀估計的《徐匡迪之問》：近年國內一片火紅的人工智能披著一層華麗虛假的面紗，數學家、腦科學家等資深專業人才極少投入，底層理論未有突破，核心算法缺位，人工智能發展面臨“卡脖子”窘境。
 

2014年IBM研究類腦算法，開發TrueNorth芯片，支持人工智能應用創新，以期向“認知”邁進。IBM開發基于大規模脈沖神經網絡的類腦算法的TrueNorth芯片，是由4096個細小的計算內核組成，這些計算內核形成了100萬個數字腦細胞和2.56億個神經囘路，像“大腦神經元”一樣工作（不同于運行打包成指令序列的傳統人工智能芯片）。

2019年在《nature》雜志封面上發表了清華大學丨施路平團隊研發的“世界首款雙控異構融合類腦芯片”，其意義非同凡響！

《nature》雜志封面上發表清華大學施路平團隊研發的“世界首款雙控異構融合類腦芯片”

2014年清華大學類腦研究中心施路平團隊研發類腦技術，將基于脈沖神經網絡（ANN）的類腦計算算法與基于人工神經網絡（SNN）的深度學習算法集成到一顆芯片“天機芯（TianJic）”上，實行資源復用，利用交叉優勢，使人工智能應用創新更接近于“自主思考”的認知階段。

天機芯應該屬于CGRA結構（這是一種更高層次的可重構技術），對應Tianjic的FCcore是一個結合了SNN和ANN主要算法的統一硬件結構，而且在一塊芯片上同時支持商業應用和算法研究，可以說這是Tianjic最大的創新點。在無人駕駛的自行車上進行功能驗證，應該說施教授團隊選擇如此應用場景讓人眼前一亮，極具吸引力和沖擊力。

 

搭載該芯片的自動行駛自行車展示了自平衡、動態感知、目標探測、跟蹤、自動避障、過障、語音理解、自主決策等功能。

第二代天機芯（2017）具有高速度丶高性能丶低功耗等特點，比TrueNorth芯片動能更全，靈活性和擴展性更好，速度提高10倍。

 

天機芯片單片（左）和5x5陣列擴展板（右）
圖片來源：清華大學官網

現在看來，IBM研發True North芯片，Intel研發Loihi芯片，均偏重于底層理論研究，即偏重于對類腦脈沖神經網絡及類腦算法的研究。脈沖神經網絡（ANN）是模擬生物神經元連接和運行方式的模型，通過計算產生神經電脈沖進行信息傳遞，這和傳統網絡的權重連接+激活的方式有很大差別。目前國內外學術界和產業界對ANN研究還不多、不深，主要在基礎算法上尚未見到關鍵性突破。


國內一些AI專家認為，純脈沖神經網絡（和其類腦基礎算法）將是推動人工智能發展進入認知階段的關鍵。他們目前正在致力于研發ANN（已有幾年），我認為應該將這項研究成果，不光結合或應用于純脈沖神經網絡，更要結合或應用于ANN+SNN異構融合網絡。


現將已發布的搭載SNN芯片參數一覽表公布如下： 

 

 

 

附：評人工智能如何走向新階段-后記

自《評人工智能如何走向新階段》一文發表（在內部）后，引來了專家、草根們的廣泛議論，有深有淺，其中似有一些思考價值，故錄入本文后記：

 

 

 

 

 

 1、

目前人工智能在理論上并無明顯進展，依賴于云計算、高存儲、分布式系統和深度學習，今天人工智能的成果，都是基于以前理論研究對應用場景的實現上。未來人工智能的發展期望在理論和生物技術上的突破。

 

 

 

2

 、

 

脈沖神經網絡（ANN）可以模仿人腦的電氣信號，是模擬生物神經元連接和運行方式的模型，通過計算產生神經電脈沖進行信息傳遞。目前，國內外一些專家正在對脈沖神經網絡進行研究，未來人工智能的發展期待對脈沖神經網絡和類腦算法的關鍵性突破。

 

 

 

3

 、

人工智能如果要突破情感還需要化學成分，需要這方面的專家進行底層理論協同研究。

 

 

 

 

4、人工智能還需要心臟類（生物器官）的東西，對“器官記憶”這類仿生學的研究也許是人工智能底層理論研究的關鍵之一。

 
 

 

 

 

 

5、未來人工智能的發展還需要進行倫理方面的研究。

 

 

 

6、現時國內在構建人工智能核心技術的工具或框架上，在開源平臺上，以及在人工智能硬件（如微處理器芯片）方面，還是比較落后的，過去這些開源平臺和高端芯片大多是由美國方面設計、研發的，人工智能開源平臺可以幫助電腦像人腦一樣工作（百度的“飛槳”平臺是由中國人開發的先例）。國內大概需要花5-10年時間才能在基礎理論和核心算法上追上美歐水平。

 

 

 7、

為了推動人工智能的發展，人才是關鍵，為此要制定和執行人才政策以及人才培養、引進和使用計劃，政策和計劃的前提要體現開源開放精神。一位美國專家談“如果美國不再提開放開源的前沿，那就是在冒險將人工智能人才送到主要競爭者手里，包括中國”。

 

 

 

 

 

8、 

2017年清華大學施路平教授等研發“世界首款雙控異構融合類電腦芯片”（將基于脈沖神經網絡ANN的類腦計算算法與基于人工神經網絡SNN的深度學習算法集成到一顆芯片“天機芯（Tianjic）”上，將人工智能的應用創新推進到更接近于具有“自主思考”成份的“認知智能”階段。第二代“天機芯（Tianjic）”的照片刊登在英國《nature》雜志的封面上。

 

 
 

 

 

 

9、IBM從2014年開始研發TrueNorth芯片，進行底層理論研究（即對類腦脈沖神經網絡ANN及類腦算法的研究），以期推動人工智能發展。兩年前IBM發布類腦芯片TrueNorth引起了轟動。IBM先搞了一個簡易的核心電路，采用asynchronous circuit，當時是非常大膽的，這個研究項目主要是為了驗證神經形態計算硬件。因為芯片面積超過100平方毫米，良品率非常低，不能量產，隨后Synapsa Project已結束了，不會再有True NorthV.2了。

 
 

10、脈沖神經網絡類腦芯片的進步將會帶來計算體系結構的革命，是下一代人工智能發展的重要突破方向。由浙江大學牽頭研發的脈沖神經網絡類腦芯片“達爾文2”已于近期發布（2015年發布“達爾文1”，現在已啟動研究“達爾文3”），達爾文2單芯片由576個內核組成，每個內核支持256個神經元、神經突觸1000多萬（即單芯片支持的神經元規模達15萬個），經過系統擴展可構建千萬級神經元類腦計算系統（在神經元數目上相當于果蠅的神經元數目），達爾文2是目前已知單芯片神經元規模居全國前列。該類腦芯片目前主要應用于圖像物體識別、視頻音頻理解、自然語言處理、腦電識別，較之基于深度學習的人工神經網絡，具有獨到優勢，更擅長于模糊數據處理。

 

 
 

 

11、百度自動駕駛汽車曾在《開源中國開源世界高峰論壇》上發表（三年三屆），目前我們自動駕駛汽車不再單純追求高速復雜路況下跑幾千公里的酷炫目標，首先要關注安全和效率，主要在低速開放道路上實現自動駕駛（低速場景L4級自動駕駛先于高速L3級自動駕駛實現）。當前自動駕駛汽車還停留在深度學習開發框架上（當然還有深化余地）。這方面人工智能的發展，要加快在路側的基礎設施建設，并充分建設、利用開源平臺。
 

 

12、早在上世紀末葉，有人提出能否可利用直接基于人腦神經元（不是類腦神經元，也不是人工神經元）的深度學習技術以推動人工智能的進步？可是由于人腦神經元極其纖細脆弱，難以與植入人腦的芯片連接，這個設想久未成功。據悉今年8月卡內基梅隆大學賀斌教授領導的人工智能科研團隊，將一塊含有深度學習框架及腦機接口的芯片植入人腦，取得與大腦神經元無創連接的成功。從此將憑人旳意念（思維或想像力），利用人腦神經元來操控機器（機器人或機械手）創造條件。這是一種人腦智慧/智能與人工智能結合/協同的模式，即人機協同模式，可以沖破人工智能感知階段，到達認知階段。 

 

 

 

 

 
 

13、純脈沖神經網絡超越深度網絡才是更大看點，我們（指國內）正在做，希望一兩年能有突破。 

 

 
 

 

 

 

14、脈沖神經網絡不是IBM首創，TrueNorth當時的賣點是芯片實現了大規模脈沖神經網絡、低功耗。 

 

 

15

 
 

 

15、清華這輛自行車成精了，可自我平衡，自動繞障避障，自主管控，自主決策。 

 

 

16

 
 

 

16、推動人工智能發展關鍵在人才。網友轉抄清華大學“中國科技政策研究中心”報告：至2017年，全球AI人才204850人，中國AI人才18230人，占全球8.9%，美國27470人，占全球13.9%，中國AI人才是美國的2/3。按高H因子衡量，中國AI杰出人才977人，美國4885人，中國是美國的1/5。 

 

 

17

 

 

17、從“2019全球AI人才分布圖” 
（https://www.huxiu.com/article29556.html）看，那些發表AI論文的高產作者主要是畢業于美國的博士，占44%，在中國獲得博士學位的作者約11%，其次是英國6%，德國5%，加拿大4%，法國4%，日本4%。從就業數據地域分布看，美國繼續吸引AI研究人員為之工作的占46%，中國占11+%，其次是英7%，德4%，日4%。在頂級刊物上有影響的AI研究人員全球約4000人，其中美國1095人，中國255人，英國140人，澳大利亞80人，加拿大45人。從AI人員流動情況看，美國最能吸引AI研究人員為之工作，中國其次，其吸引的絕對數量占美國的1/4。 
 

 

 

 

 

 

18、回顧以往中國人工智能發展中存在的人才問題，一優一劣，優在青年人才充足，劣在高端人才培養人數少，如何揚長補短是我們在AI人才政策上面臨的急切任務。
 

 

19、人工智能的發展可分為感知智能、認知智能、決策智能三個階段，目前處于感知智能階段，依靠深度學習算法，而欲進入認知智能階段，則要依靠類腦計算，到未來決策智能階段，恐要依靠量子計算。
 

 

20、全球人工智能領域圖靈獎得主共11人（10個美國人，1個加拿大人）。 

 

 

 

21、百度自動駕駛已有好幾年了，我們開發了開放開源的Apollo平臺，兩年來已成為全球最活躍的自動駕駛平臺：全球15000+開發者向平臺貢獻自動駕駛軟件，我們經過多次迭代，開源代碼行數超過40萬行，通過平臺匯聚了包括奔馳、寶馬在內的140多家合作伙伴。2017年初，我們發布了Apollo1.0（封閉場地自動駕駛循跡），同年9月發布1.5（固定車道自動駕駛），2018年發布2.0（簡單城市道路自動駕駛），又發布3.0（量產園區自動駕駛提供無人小巴），真正把自動駕駛變成可以量產化可乘坐的產品，去年已安全運載3萬多人次，現在大家可到海淀公園體驗試車。 

2019年1月我們在拉斯維加斯CES會展上發布3.5（城市路況自動駕駛），這是迄今最強大的Apollo開放開源平臺，它成為全球首家能應用于普通城市交通環境的開源自動駕駛平臺，能夠安全行駛通過車道線不清的窄道，無紅綠燈控制的路口，街道槽車、減速隔離帶等多種特殊路線段。但要實現普通乘用車人工智能的全自動駕駛，還會遇到很多技術上的挑戰，還需相當長的時間才能完成。 

 

 

 

 

22、當下小米開發并推銷了具全球影響的人工智能家居應用系統，我們打造的AIoT平臺已經成為全球最大的消費級AIoT的開源平臺，目前我們在全球聯網設備達數億臺，構成了未來打造AI賦能的萬物互聯網的基礎。2018年小米開源了MACE移動端深度學習框架，今年我們推出9個HBaseCommitter，開源了Kaldi模型到ONNX模型的轉換工作（kaldi是語音識別領域一個應用廣泛的開源框架），在ApacheHBase這個研發項目上小米所作貢獻占全社區的1/4。 小米打造AIoT是一個無處不在無所不能的AI能力系統，未來小米的AIoT家居系統，一個手勢、一個眼神就可能喚醒智能設備，這里的人工智能可能還要加入一些情感因素，為此未來小米的AIoT將迎接人工智能更大的挑戰。 

 

 

23、華為在昇騰AI處理器基礎上開發了Atlas 900人工智能訓練集群，基于深度學習框架，可用于人臉識別、車輛識別、具有超強算力（算力達到256PFLOPS），用于分析20萬顆星體僅需59.8秒，（比現在世界紀錄快10秒）也可做成模塊化裝置，用于攝像頭、無人機、等終端應用領域。 

有人說深度學習技術潛力已近天花板，從本例看來，這個論證不完全正確。深度學習還可進一步提升算力！只是基于深度學習難以使人工智能跨越感知抵達認知。