對話崔興龍：腦神經科學 +AI，真 · 究極體的人工智能

　　究極體的人工智能應該是啥樣?

　　人們對于這個問題的答案更多是在科幻電影中，比如說“瞬時翻譯”，當不同國家的人聚在一起的時候，再也沒有語言的隔閡，因為語言也不再去學習，當一個語言從口裡說出來的時候，就已經瞬時在另外一個人的大腦中轉換成了他的母語;比如還有“真無人駕駛”，它沒有方向盤，完全由智能電腦代替人類開車，人類乘客隻需要通過語音說出要去哪裡，它就會自己規劃好路徑，完全自動駕駛，在路途上也不會發生任何交通事故;比如還有很多“有思想的機器人”，他們有自己認知能力，有學習能力甚至有自己的思想可以自我成長。

　　盡管人類在讓智能代替人工的道路上已經很努力了，但現實中的人工智能并非如此“萬能”。最知名的人工智能莫過于Google旗下的AlphaGo，其通過深度學習的技術在被“喂養”了大量的結構化的數據前提下，戰勝了人類選手。

　　但這樣的人工智能仍然面臨的一個數據“困境”。也就是說，如果一個産業，或者是換做另外一個場景，正好缺乏了大量的結構化的數據，那本身這種方式的人工智能也不複存在。在當下很多公司談的人工智能商業化落地場景中，從智慧産業到智慧交通，從個性化推薦到智慧零售，無疑都是在通過标準化和結構化的數據體現人工智能。

　　但，那些非标的數據場景怎麼辦?

　　在接受品玩采訪時，元知科技集團聯席總裁崔興龍稱，人工智能已經将表層效率解決完，它開始往下走，繼續滲透到社會的深層效率，解決比如說地産、房産、汽車、醫療、家具、教育、金融、法律等等更深層更非标的大宗的領域。

　　人工智能的過去在解決什麼問題？

　　想要了解清楚這個問題，有必要科普一下人工智能過去的發展。

　　簡單來說，人工智能的任務，就是通過機器來模拟大腦的功能或者利用機器來模仿人類的智能行為。一定程度上這也決定了人工智能的發展和腦科學與心理學密切相關。

　　1956年夏，麥卡錫、明斯基等科學家在美國達特茅斯學院開會研讨“如何用機器模拟人的智能”，提出“人工智能(Artificial Intelligence，簡稱AI)”這一概念，标志着人工智能學科的誕生。

　　從1956年發展至今，從學習大腦到發展人工智能，更廣義的階段包括兩個。

　　第一個階段是符号主義，它的理論基礎來自于認知心理學。他們認為“符号”是人類認知的基本單元，認知就是對“符号”的操作。依據這種理論可以建立人類理性行為的模型，通常又叫做“知識驅動的人工智能方法”。

　　這個階段典型的應用就是專家系統，專家系統方法通過構建大量的判别規則來進行問題的推斷。而判斷規則則需要“錄入”龐大的人類知識庫，瓶頸是無法讓機器自動學習。

　　第二個階段則是連接主義，它的理論基礎來自于神經科學。他們認為建立在神經網絡基礎上的亞符号處理是人類智能行為的基礎，依據這個理論可以模拟人類感性行為(感覺、情感與直覺等)，通常又稱為數據驅動的人工智能方法。

　　數據驅動的人工智能方法基于概論統計加機器學習，重點研究則是從“推理”為重點到“知識”，然後到現在的“學習”。

　　隻不過，如今算力已經不再是瓶頸，而随着移動互聯網産生了大量數據，在特定領域的“學習”其實更依賴更多标記數據集。

　　圖源：點金大數據

　　在崔興龍看來，過去幾波人工智能技術的爆發本質上應該同屬一類。AI本身的誕生，依賴于大量的數據的産生，而數據本身，其實需要一個相對清晰的和完整的數據标記集。

　　他解釋稱，最早的神經網絡可以追溯到1962年Hubel和Wiesel的文章，在那篇文章中已經出現了多層的神經網絡，包括卷積、池化等後來在神經網絡中非常重要的概念也已經出現，但是囿于時代的限制，這一成果沒有讓更多人注意到。而後來在1980年前後，Kunihiko Fukushima提出的一種分層多層人工神經網絡，可以用于日語手寫字符識别和其他模式識别任務，這也成為了卷積神經網絡(CNN)的靈感來源。

　　而在上世紀末，LeCun提出的LeNet讓計算機視覺的準确率大幅度提升，計算機視覺逐漸得到越來越多的關注。而CNN也在那之後逐漸被證明可以有效的處理各種計算機視覺和自然語言處理的問題，因此得到了廣泛的使用。

　　步入2010之後，人工智能的大數據時代悄然降臨，标志性的事件有兩個。其一是李飛飛和她的ImageNet，超過150萬的訓練樣本和1000個不同分類，使得大家用來訓練的樣本量足夠大。其二是GPU的大量普及，使得計算機的算力有了極大的提升。

　　随之而來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的準确性和效率;2016年AlphaGo擊敗李世石，在圍棋這個項目中終于擊敗了最強的人類選手。

　　但“今天的AI更像工程學的方法，更像計算工程了”，他補充說。

　　盡管過去十年，随着移動互聯網的成熟，科學家能獲取和處理的數據量越來越大，這促進了人工智能的極大發展，ResNet/Gan/DenseNet等的想法噴湧而出，但是這些衆多的辦法并沒有從底層邏輯上改變人工智能的本質。

　　“以前的更多的是拼模型，拼算法，後來的今天變成了拼算力，拼數據集，拼誰更有錢，誰更能掌握生态場景。”

　　這一定程度上也解釋了如今人工智能為什麼會大量的進入垂直領域，因為隻有進入垂直領域才能獲得更多的數據，有了數據才能去嘗試去解決場景中的問題。

　　這也導緻了人工智能的另一個局限性，目前的人工智能隻能解決完全信息和結構化環境下的确定性問題，如語音識别、圖像識别、下圍棋(完全信息博弈)等，與人類大腦所表現出來的随機應變和舉一反三的能力相去甚遠。

　　而尤其是當面對到非結構化的行業時，人工智能應該如何進一步發展?

　　腦神經科學啟發AI？

　　中國人工智能專家、中國科學院張钹院士認為，這兩代人工智能理論上都存在着嚴重的缺陷，不能成為人類智能行為的完備理論與模型。因為符号主義存在“符号根基”問題(the symbol grounding problem)，它隻能用來模拟人類的理性行為，不能用來模拟人類的感性行為和與周圍環境的交互。連接主義在模拟感性行為方面取得一些進展，但是它不能提升到理性的高度，因此存在着不安全、不可信、不可靠和不易推廣等缺陷。

　　他也提出，人工智能在過去十年的輝煌是因為數據收集和處理量的極速增長，而非算法本身的突破。

　　在人工智能人實現的多條路徑中，符号主義和行為主義遇到了瓶頸，而連接主義嘗試模拟大腦神經網絡，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，發展安全、可信、可靠和可擴展的人工智能技術。

　　但人工智能的基礎理論之所以遲遲未能建立，是因為人腦是一個非常複雜的系統，搞清楚人腦怎麼工作其實是非常困難的事情。

　　“從我們的角度，我們更認為這是一個趨勢或者一個突破的可能性。”崔興龍稱。

　　他認為，人工智能的幾個發展階段決定了未來想要在底層效率上有所提升，就必須與腦神經科學相結合。

　　他解釋稱，腦神經科學和人工智能的結合從最早Hubel和Wiesel的文章就開始了。Hubel和Wiesel在20世紀50年代到20世紀60年代的研究發現，貓和猴子的視覺皮層中包含着能分别對某一小塊視覺區域進行回應的神經元。當眼睛不動的時候，在一定區域内的視覺刺激能使單個神經元興奮，那這個區域就稱為這個神經元的感受範圍。相鄰的細胞具有相似且重疊的感受範圍。

　　為了形成一張完整的視覺圖像，整個視覺皮層上的神經元的感受範圍的大小和位置呈現系統性的變化。左腦和右腦分别對應其對側的視野。他們在其1968年的一篇論文中确定了大腦中有兩種不同的基本視覺細胞：簡單細胞和複雜細胞。Hubel和Wiesel還提出了這兩種細胞用于模式識别任務的級聯模型。“這是從這裡開始，才有了人工智能後續的一系列故事。”

　　崔興龍舉例本屆智源大會上Jeff Hawkins發表的題為“The Thousand Brains Theory - A roadmap for creating machine intelligence”的演講。計算機即得到輸入數據，對輸入信息進行一系列處理，然後再輸出信息。然而，Jeff認為這并不是大腦真正的工作方式。在他看來，大腦皮層是一種建模器官，它會學習關于世界的模型。我們所知曉的一切關于物體的形狀、觸覺、顔色、溫度、聲音，以及我們與物體的交互都會被存儲在該模型中。該模型還會囊括物體的位置信息，知曉我們與物體交互後物體會産生的變化，成千上萬的物體、單詞、概念會被存儲于位于我們大腦的神經元的模型中。

　　簡而言之，在Jeff Hawkins看來，想要最迅速地創造真正的智能機器，也需要理解人類大腦是如何工作的。而人類對于人腦的研究還不夠。

　　崔興龍則認為，今天很多AI的算法也好，各種各樣的深度神經網絡也好，其實都對數據有一些損益或者消噪的方法，更多的時候也是一個趨近值，它并不是一個完整可言中的數據模式。

　　就如同Hawkins提出的千腦理論，通過腦科學的維度，大家的抽象和理解的方式會附着在AI的方式中，找到新的算法和可能性。

　　具體應用場景到底有哪些？

　　在崔興龍看來，目前人工智能中運用了一系列腦神經科學的原理，包括cortical minicolumn、興奮抑制平衡、動态網絡連接、Top down processing、Grid Cells和Dale Principle。

　　因為腦科學技術本身就屬于一個極為複雜的交叉性學科，所以目前也更多的聚焦在基礎理論探索階段。

　　在利用腦科學基礎理論方向上，風口最盛的腦科學技術應該算是腦機接口，馬斯克的Neuralink公司已經高調地向全世界宣布能夠讓一隻猕猴通過大腦活動來控制計算機。在醫療領域還有腦起搏器治療帕金森，清華大學航天航空學院院長、神經調控技術國家工程實驗室主任、清華大學醫工交叉研究院院長李路明介紹過“腦起搏器”的研究和應用成果——将兩根1.2毫米電極植入大腦深處，連接着挂在胸前的脈沖發生器，通過用電刺激調控大腦，來刺激大腦的丘腦底核，用于治療帕金森症。

　　崔興龍稱，人腦在看到恐怖、讨厭，或者喜歡的東西的時候反應也是不一樣的。大腦所呈現的反射區域跟腦波不同，這個時候就産生了很多有價值的數據和模型。所以在可穿戴教育上也存在一些機會，比如利用腦波信号檢測疲勞，注意力分散等多種應用。

　　目前元知科技的一大研究重點，正是腦科學和AI的結合。但本身确實比較另類。

　　崔興龍個人更傾向于讓腦科學中的核心算法和邏輯去被AI所學習，然後通過AI輔助腦去做數據上的測算，他認為“這是比較的一種方式”。

　　崔興龍在WAIC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系，它其實是一家“以生态整合科技資源，以投資拉動生态資源”的公司。

　　元知科技集團的布局非常廣，包括智慧醫療、智慧營銷、智慧交易、智慧法律等多類AI相關業務。過去二十幾年，投資包括了條高速光纜，還有商湯、360以及平安科技等，前一段時間還剛剛投資廣汽汽車，并推出了合創汽車。之所以實現了這麼廣泛的布局，是因為元知科技集團背後的更大股東，其實是珠江投資。

　　可以理解為，珠江投資有意将過去二十幾年投資的公司和元知科技的技術結合在一起，讓科技撬動時代，所以它就成了一家自帶技術和場景的公司。

　　這對于深入了解非标的數據提供了線下基礎。

　　崔興龍稱，人工智能要解決社會深層效率，就必要往下走，深入到服務商，而元知背後的地産、房産、汽車、醫療、教育、金融等等更深層更非标的大宗場景結合腦科學+人工智能技術大有可為。

　　在元知科技的研究體系中，上研院主要在做無人駕駛和通用機器人這塊的研究。而北研院通過行為尺度觀測、腦尺度觀測，在做行為線上線下的動态分析決策，能夠為用戶洞察和品牌媒介提供一些超級心智的營銷。兩者都植入了一些腦科學技術的思路。

　　“我們的應用其實也算是做營銷方面的一些嘗試。”崔興龍稱。

　　他認為，人都有一個決策判斷的機制，而我們所謂的認知科學中其實跟大腦的行為神經生物系統是正相關的，“因為神經行為生物系統學研究的本身就是人類如何思考、記憶、存儲和決策的邏輯。”

　　人工智能正在從感知科學過渡到認知科學，而通過人的行為——比如一些人過馬路的時候向這邊走還是向那邊走?過馬路的速度究竟是什麼樣的?這些人在一個商場中的動線究竟是怎麼來的?以更多的基礎數據作為填充，将人在環境中動線和行為路徑進行分析，是可以研究出不同結論的。“因為這些決策也和你大腦的決策機制正相關。”

　　而通過更多行為數據對于人心智更詳細的分析和描述，AI結合腦科學将在心智營銷領域大有可為。

　　一個案例正是來自于合生彙。合生彙每天會有十幾萬的數據流(客流量)，而在此前隻有七八萬，元知科技幫助合生彙進行了包括動線改革，色彩重新排列以及區域調整等一系列營銷動作，讓合生彙從不太知名提升成為了朝陽區域内僅次于SKP商場一樣的存在。

　　“合生彙原來每天設計客流量是1到3萬，但現在我們達到了10萬”，而“原來隻有1000萬不到的交易額，但是現在已經遠遠超出了這個數字”，可以看到，在這個場景下，對于用戶心智信息的分析，更像是私域流量下用戶動線的分析及運營效果的提升，也是一種腦科學的理論。

　　很多神經網絡學術人才都認為，腦神經科學+人工智能，将成為新的複合型學科，也将加速與其他學科領域交叉滲透。尤其是随着超分辨率光學成像、光遺傳學調控、透明腦、體細胞克隆等技術的突破，腦與認知科學的發展将深度結合，人工智能将進入生物啟發的智能階段。這個領域的覆蓋範圍可能比人工智能更廣泛。

　　崔興龍是一名堅定的腦科學技術信徒。他認為，人工智能和腦神經科學未來結合的機會還有很多，包括腦機、外骨骼、以及機電信号、類腦芯片、腦科學和AI的模拟等。