您的位置:必赢亚州手机app > 华为 > 刘成林:从模式识别到类脑研究

刘成林:从模式识别到类脑研究

2019-08-30 10:00

前言:现如今,人工智能已经成为新一轮科技革命的核心驱动力,基于机器学习的人工智能技术已经深入到了许多不同的研究领域。然而,机器学习往往需要大量的数据,并且它还面临着无法进行推理的困境。为了突破这一瓶颈,科学家们开始转向对大脑的借鉴与研究,他们认为类脑智能技术将是未来人工智能的发展方向。

虽然人工智能在一些方面的表现已超越了人类,但这不代表它真的很聪明。相反,很多时候它还很傻很天真,仍然需要向人脑学习。 近日,以类脑计算与人工智能为主题的香山科学会议在香港科技大学召开,来自脑科学、神经科学以及人工智能方向的30多位与会专家,讨论了如何将人工智能和脑计算相互融合、相互促进,实现从脑启发到通用人工智能的演进。 类脑智能是人工智能的良药 近年来,人工智能在发展过程中仍有一系列技术难题需要克服。比如,机器学习不灵活,需要大规模人工标注的高质量样本数据;训练模型需要很大的计算开销;同时人工智能仍然缺乏高级认知能力和举一反三的学习能力。 香港科技大学杨强教授表示,机器学习是人工智能领域的核心内容,但是,当前的机器学习与人脑的学习能力相比还存在显著差异,尤其在可解释性、推理能力、举一反三能力等方面,与人脑相比还存在明显差距。目前科学家们把更多期待投入到类脑智能上,他们认为智能技术可以借鉴脑科学和神经科学,对人脑认知神经机制的理解可能为新一代人工智能算法和器件的研发带来新启发,为信息智能领域的产业升级带来颠覆性的变革突破。 近年来,脑与神经科学、认知科学的进展使得人们在脑区、神经微环路、神经元等不同尺度观测的各种认知任务中,获取脑组织的部分活动数据已成为可能,获知人脑信息处理过程不再仅凭猜测,通过多学科交叉和实验研究获得的人脑工作机制更具可靠性。因此,脑科学有望为机器学习、类脑计算的突破提供借鉴。中国科学院神经科学研究所蒲慕明院士说。 信息处理要模拟人脑 所谓类脑计算是借鉴人脑存储处理信息的方式发展起来的新技术,它通过仿真、模拟和借鉴大脑生理结构和信息处理过程的装置、模型和方法,制造类脑计算机和类脑智能。 香港科技大学叶玉如院士表示,类脑智能是人工智能的一种新形态,也是人工智能重要的研究手段。人类的大脑被认为是最高级的生物智能系统,它具有感知、识别、学习、联想、记忆、推理等功能。大脑的这些功能与其结构存在着对应关系。类脑计算机就是以物理的形态实现这种对应关系,它以神经元作为基本计算和存储单元,利用神经元之间的突触连接传递信息,模拟神经突触的强度变化,其分布式的存储和计算单元直接相连构成大规模神经网络计算系统。 类脑计算系统是基于神经形态工程,借鉴人脑信息处理方式,打破冯诺依曼架构束缚,适于实时处理非结构化信息,具有学习能力的超低功耗新型计算系统。它是人工通用智能的基石,是智能机器人的核心,拥有极为广阔的应用前景。清华大学施路平说。 此外,北京邮电大学李德毅院士提出了反用驾驶脑的观点,用人工智能研究脑科学。在计算模型层面,将探索更多具有生物可行性的学习机制的人工神经网络算法。在网络架构层面,典型的人类认知行为将通过引入网络内的大脑样域和子域来建模,这些域将通过学习来协调、整合和修改。目标是在多个层面、理论上模拟大脑的机制和结构,开发一个更具有普遍性的AI以应对包括多任务,自学习和自适应等方面的挑战。来源:科技日报

“人工智能”(artificial intelligence)概念最早由JohnMcCarthy 等在1956 年的达特矛斯会议上提出:人工智能就是通过计算机编程使机器实现类人智能行为。在60年的发展中,人工智能取得了巨大进步,现如今,人工智能技术应用在现实生活中的方方面面。

图片 1

在过去20多年中,互联网搜索、视频监控、交通调度、语音识别、人脸识别、人机交互、机器翻译等技术应用的背后都有人工智能做支撑。虽然大数据的出现和计算能力的提高不断推动着人工智能向前发展,但面对时下盛行的“人工智能热”,保持头脑的冷静非常必要,因为人工智能虽然发展迅速,但还有巨大的进步空间,还有很多挑战性问题有待解决。

2019年全国两会,“智能 ”被首次写入政府工作报告。全国人大代表、电子科技大学教授尧德中对此表示,“智能 ”的提法是一个创新,这一提法有着更宽的视野,也是一项更长远的规划。他指出,目前人工智能不能概括技术领域的全部,现在更强调人工智能的升级版,称为类脑智能。现在的人工智能是单纯基于算法的技术,前路是有限的。而类脑智能的发展空间更大,应用的领域比人工智能要宽很多。

我们邀请到了自动化所研究员、模式识别国家重点实验室主任刘成林对人工智能领域的模式识别和类脑智能研究进行全方位解读。

机器学习存在缺陷?人工智能陷入瓶颈

模式识别:“慧眼”看世界

人工智能自1956年诞生以来几番起落,随着机器学习尤其是深度学习技术的突破,人工智能发展又到达了新的高度。机器学习,其中一个最经典的应用就是谷歌DeepMind团队研发的围棋程序AlphaGo。2016年,AlphaGo以4比1的总比分战胜了韩国围棋九段棋手李世石,这成为了人工智能发展中的一个里程碑时刻。自此,人工智能技术开始在医疗、教育、军事、工业、农业、金融、公共安全等领域得到广泛应用。

随着20世纪40年代计算机出现,50年代人工智能兴起,模式识别在20世纪60年代初迅速发展并成为一门新学科。模式识别是指对表征物体或现象的各种形式数据(主要是感知数据,如图像、视频、语音等)进行处理和分析,以对物体或现象进行描述、分类和解释的过程,是信息科学和人工智能的重要组成部分。“随着计算机硬件的发展,模式识别的关注度不断提高,模式识别技术发展也日臻完善,在许多领域中已有成功应用。”多年来一直从事模式识别研究的刘成林介绍称,金融、安全、医学、航空、互联网、工业产品检测等领域中都渗透着模式识别技术。

图片 2

刘成林指出,模式识别有2个层面的含义:一是生物体感知环境的模式识别能力与机理,属于心理学和认知科学范畴;二是面向智能模拟和应用,研究计算机实现模式识别的理论和方法,属于信息科学和计算机科学领域的范畴。模式识别基础理论(模式表示与分类、机器学习等)、视觉信息处理(图像处理和计算机视觉)、语音语言信息处理(语音识别、自然语言处理、机器翻译等)是模式识别领域的三大主要研究方向。刘成林解释,模式识别是人工智能的一个分支领域。人工智能是通过计算使机器模拟人的智能行为,主要包括感知、思维、动作、学习,而模式识别主要研究的就是感知行为。在人的5大感知行为(视觉、听觉、嗅觉、味觉、触觉)中,视觉、听觉和触觉是人工智能领域研究较多的方向。模式识别领域主要研究的是视觉和听觉,而触觉主要是跟机器人结合。文字识别、互联网有害信息检测、语音识别、生物特征识别(虹膜识别、指纹识别、掌纹识别、人脸识别等)都是目前发展较为成熟的模式识别技术。

人工智能在给人类生活带来便捷的同时,也面临着一些挑战。这些挑战其实与机器学习本身的缺陷有关,基于机器学习的人工智能技术需要较多的人工干预及大量的标记样本数据;训练模型需要很大的计算开销。此外,人工智能仍然缺乏高级认知能力和举一反三的学习能力。就像现在火热的无人驾驶汽车,需要对地图、路况、应急反应等进行大量的数据学习,但现在的问题是数据不够多,缺少庞大的多维度数据量。所以无人驾驶仅仅完成了在某些场景较为单一的高速路段测试,如想在复杂、人口密集的城市中行驶仍然还有很长的路要走。

模式识别和人工智能在20世纪60年代分离为不同的领域,21世纪以来出现重新融合的迹象。近年来,深度学习和大数据的出现推动了模式识别的快速发展,但刘成林认为这一领域还有巨大进步空间,一方面基础理论研究进展不大,另一方面有很多挑战性应用问题有待解决。谈及模式识别的未来,他表示,目前以深度学习为代表的主流方法有3个明显的不足:一是需要大量的标记样本进行监督学习,这势必增加模式识别系统开发中的人工成本;二是模式识别系统的自适应能力差,不像人的知识和识别能力是随着环境不断进化的;三是模式识别一般只进行分类,没有对模式对象的结构解释。

要解决这些问题,需要新一代的智能技术革命,类脑智能正是人们的期待所在。

人工智能新进展:深度学习

本文由必赢亚州手机app发布于华为,转载请注明出处:刘成林:从模式识别到类脑研究

关键词: