類腦計算是借鑑腦科學的基本原理，面向人工通用智能，基於神經形態工程負責的新型計算技術。在即將過去的 2019 年，中外科學家都在類腦計算上取得了一定的進展，向世界展示了類腦計算的無窮潛力，例如不久前清華類腦計算團隊打造的“天機芯”，就是世界上的第一顆異構融合類腦計算芯片。

今年初，兩位圖靈獎得主就發佈文章表示，未來十年是架構創新的黃金時代，借用類腦原理髮展計算架構，將是最有希望的方向之一。但也要指出，人類追求類腦智能已經長達近一個世紀，至今的 AI 應用所擁有的智能離這一目標還相差甚遠。

人的大腦經過百萬年的進化而來，現在，我們在追求類腦計算的漫漫長路上又行進到哪一步了？

搭建泛用型智能機器頭腦

在不久前的 CNCC2019 類腦計算論壇上，清華大學“天機芯”團隊的吳臻志博士，中科院上海微系統所張曉林教授、北京大學信息技術學院吳思教授等科學家分享了他們在與類腦計算息息相關的工作上的進展，以及目前類腦計算和人工智能現狀的思考。

論壇主持人、清華大學類腦計算研究中心施路平教授表示，現在全球的類腦計算研究可謂處於“春秋戰國”時期，選擇的技術路徑都有較大不同。

例如，在中科院上海微系統與信息技術研究所，張曉林正在和他的團隊從仿生視覺的角度切入類腦智能。他們以仿生智能視覺系統為核心開發類腦智能芯片，以及真正接近人腦結構的機器大腦。

他介紹道，之所以從視覺切入類腦計算，是因為視覺是人類獲取外部信息的主要入口，大腦獲得的外部信息 83% 來自視覺。甚至一種說法認為，寒武紀時期的生物演化出了雙眼，才帶來了物種爆炸式進化（也有說法認為是因為出現了兩性分化，當然，沒有雙眼也容易找不到對象）。

生物腦是人工智能在自然界中唯一的參照物和靈感來源，但是，人腦的功能劃分仍未清楚，也導致尚未有完全基於人腦原理的機器大腦出現。

研究視覺的形成，將幫助深度探索大腦。張曉林認為，仿生視覺可以突破模式識別的三大瓶頸，人工智能的下一個理論及應用突破口必定來源於視覺。

由此出發，現在，張曉林所在團隊正在構建一個前所未有的“機器頭腦”。他們的做法是，先搭建一個功能化的類腦，即先實現模塊化的功能，劃分出機器頭腦的基本框架，類似高等生物大腦中擁有大腦、小腦、中腦、腦幹等不同結構、不同功能的器官，搭建出最基本的仿生機器頭腦，進而逐漸改良和完善。

據瞭解，這樣的模擬人腦工作機制的泛用性型將是研究資助智能系統的重要平臺，幫助探索人工智能如何獲得自主學習認知能力等。

AI 的視覺能力，離類腦還很遠

現有的 AI 和類腦智能的一大區別還在於，深度學習技術在靜態物體識別再怎麼爐火純青，在處理動態信息時的表現往往又是另一回事了。

北京大學教授吳思指出，在視覺信息處理的閉環上，基於深度學習的視覺處理和人的視覺信息處理還有不少差距，例如說前者還不能提取物體的全局信息。

一篇發表在 PLOS Computational Biology 上名為“Deep convolutional networks do not classify based on global object shape”的文章就曾顯示，AI 算法識別的結果有時候也是很離譜的。

（來源：PLOS Computational Biology）

在那次實驗中，團隊使用一個識圖能力較好的 AI 算法去挑戰識別一些被部分調整過的圖片，結果表明，圖片上的茶壺紋路一旦換成了高爾夫球的紋路，機器對識別茶壺的判斷力就會有所下降，類似的情況也發生在把駱駝身上的花紋換成斑馬。在這幾個有趣的實驗中，最驚心動魄的恐怕還屬 AI 把大象都誤認成了襪子。而人類的視覺信息處理是可以藉助形狀這樣的全局信息仍能識別出這是一把茶壺。

現有的計算機視覺神經網絡處理視覺信息的過程並不複雜，從輸入圖像開始，然後從像素、邊緣、輪廓等幾個層次進行檢測，最終輸出一個識別結果，是一個“前饋”的系統。但人的視覺信息處理神奇的地方還在於，我們對視覺信息的認知會受到其他信息的影響。

以下圖為例，測試實驗顯示，如果有人事先告訴你這是一隻牛、一隻手、一條魚，你都可以在下面這個圖片中識別出相應的形象。

人的視覺系統具備的三個基本功能：物體的勘測、跟蹤和物體的識別，相互組合起來可以實現更復雜的視覺功能。上述實驗中這些看似細微的識別差距，背後卻是紛繁複雜的一整套視覺系統在工作，絕非現在的深度神經網絡的簡單堆積。

作為一名計算神經科學家，吳思和他的團隊正在通過和實驗神經科學家緊密合作，以數學理論和計算機仿真來構建神經系統的計算模型，解析神經系統處理信息的基本原理，發展類腦的信息處理技術。

類腦計算將有哪些關鍵應用？

大腦低功耗的信息存儲和傳輸，也燃起全球科研機構和企業在開發類腦計算芯片上的熱情。

現在，全球範圍內主要在推進的類腦計算芯片，就包括 IBM 的 TrueNorth、Intel的Loihi、BrainScale、SpiNNaker、Neurogride 等主要技術流派。

清華“天機芯”團隊的成員之一、北京靈汐科技有限公司技術總監吳臻志在論壇上詳細剖析了這些技術流派的長短所在：TrueNorth、Loihi 採用事件驅動的設計，優勢在於可降低功耗，挑戰在於陣列計算下很難做到細粒度（如神經元級別）的事件驅動；SpiNNaker 採用人腦規模神經網絡計算的方法，優勢在於腦仿真類應用的計算效率高，但軟件靈活度卻比較低，相較於通用計算機無法做其他的通用計算。

而今年問世的清華“天機芯”（第二代），又是不同的嘗試，它將基於脈衝神經網絡（SNN）的類腦計算算法與基於人工神經網絡（ANN）的深度學習算法集成到一顆芯片上。既支持單一計算範式，又支持二者異構建模，明確指向通用人工智能，這是其一大特點。

圖丨類腦計算、ANN、深度學習的發展進程（來源：CNCC）

如何實現類腦計算之外，還有一個幾乎同等重要的問題是，類腦計算的獨特優勢和典型應用有哪些產品和落地的可能？

吳臻志表示，這個問題也團隊在開展類腦芯片研發過程中被問得最多的一個問題。

對此，他認為，類腦計算歷史悠久、技術範圍廣泛，然而現在智能應用的各個領域，深度學習仍然遙遙領先。但深度學習本身的幾大軟肋，使得目前的智能更多地體現為無個體差異的感知能力。類腦計算科學家應該走向更廣闊的領域，創造屬於類腦計算的專屬應用，充分發掘類腦計算的廣泛內涵，做類腦計算擅長之事。他也表示，希望算法和應用研發的業內人士能夠與其團隊展開合作，擴展類腦計算的應用領域。

據透露，團隊正在開發的第三代天機芯片，或將用於安防視頻結構化分析、人臉檢測識別服務器等應用上。