類腦智能，正在成為AI領(lǐng)域的新角逐點(diǎn)。
就當(dāng)下而言，類腦研究已經(jīng)成為世界各國研究的科技戰(zhàn)略重點(diǎn)，美國、歐盟和日本相繼提出自己的腦計(jì)劃，類腦研究皆被列為其中重要內(nèi)容。與此同時(shí)，中國正在制定的腦計(jì)劃中，類腦與腦機(jī)智能也屬于核心內(nèi)容。
事實(shí)也的確如此，隨著大腦成像、腦機(jī)交互、生物傳感、大數(shù)據(jù)處理等新技術(shù)接連迭代，腦科學(xué)開始與計(jì)算技術(shù)、人工智能、認(rèn)知心理等其它學(xué)科交叉融合，作為AI的新突破口，類腦智能正迎來技術(shù)奇點(diǎn)時(shí)刻。
“作為一種借鑒人腦存儲處理信息方式發(fā)展起來的新技術(shù)，類腦計(jì)算將是人工通用智能的基石。”
清華大學(xué)精密儀器系教授、類腦計(jì)算中心主任施路平曾這樣表示，即便如此，身處AI領(lǐng)域的類腦智能，依然面臨著AI的共性問題，比如落地場景不清晰、成本高昂、回報(bào)比難核算等問題。
基于此，本文新眸將著重解構(gòu)類腦智能及其商業(yè)化邏輯。
老樹，能否開新花？
不可置否的是，人工智能的整體發(fā)展似乎陷入了瓶頸期。
“在我們今天學(xué)習(xí)框架和基礎(chǔ)科學(xué)范圍內(nèi)，未來會不會出現(xiàn)超級智能，或者說通用人工智能，到達(dá)人類創(chuàng)新思維能力，其實(shí)還是一個(gè)科學(xué)范疇的問題。”主攻人工智能類腦方向的元知智能研究院院長崔興龍如是說。
以上觀點(diǎn)里的邏輯并不難理解，通俗的講，就是人工智能雖被冠以智能二字，但“智商”卻沒有人們想象中的高。
舉個(gè)簡單的例子，當(dāng)日本福島核電站發(fā)生泄漏后，本被寄予厚望的機(jī)器人并沒有順利完成災(zāi)后事故處理任務(wù)，大量高風(fēng)險(xiǎn)的工作仍然需要由人力來完成；爆火的無人駕駛的概念車，只能在某些測試路段上做到高度自動(dòng)駕駛，無法在人口密集、地形復(fù)雜的城市街道上正常行駛。
這些具體應(yīng)用中存在的痛點(diǎn)，其實(shí)都指向了以深度學(xué)習(xí)為代表Al技術(shù)，依然存在局限性。
究其原因，還是要回歸到技術(shù)維度上來解讀。一般來說，深度學(xué)習(xí)是通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）或遞歸神經(jīng)網(wǎng)絡(luò)（RNN）來實(shí)現(xiàn)，雖然CNN和RNN都屬于人工神經(jīng)網(wǎng)絡(luò)，但其中的人工神經(jīng)元，至今仍在使用上世紀(jì)40年代時(shí)的模型，雖然現(xiàn)在設(shè)計(jì)出來的人工神經(jīng)網(wǎng)絡(luò)變得愈加復(fù)雜，但從本質(zhì)上來看，其神經(jīng)元模型并沒有太大的改進(jìn)，均只是對人類大腦神經(jīng)系統(tǒng)的高度簡化與抽象化。
在此之下，Al落地難的問題不可避免地發(fā)生了。
比如機(jī)器學(xué)習(xí)不靈活，需要較多人工干預(yù)或大量標(biāo)記樣本；自主學(xué)習(xí)、自適應(yīng)等能力弱，高度依賴于模型構(gòu)建；人工智能的不同模態(tài)和認(rèn)知功能之間交互與協(xié)同較少、僅解決特定問題，適用于專用場景智能。
這就讓人產(chǎn)生了一種錯(cuò)覺，AI似乎沒有那么智能，人腦在可解釋性、推理能力、舉一反三能力等方面依然領(lǐng)先一籌。這就意味著，AI想要完成進(jìn)一步突破，對類腦智能的深入研究就顯得非常關(guān)鍵且必要。
總的來說，類腦智能受大腦神經(jīng)運(yùn)行機(jī)制和認(rèn)知行為機(jī)制啟發(fā)，以計(jì)算建模為手段，通過軟硬件協(xié)同實(shí)現(xiàn)的機(jī)器智能。近年來，針對類腦智能的腦科學(xué)研究正從傳統(tǒng)的認(rèn)識腦、了解腦向增強(qiáng)腦、影響腦的過程發(fā)展，完成從“讀腦”到“控腦”的轉(zhuǎn)換。
歸納起來可以理解為，類腦研究是以借鑒人腦處理信息方式為目標(biāo)，模擬大腦神經(jīng)系統(tǒng)，構(gòu)建以數(shù)值計(jì)算為基礎(chǔ)的虛擬超級腦；或通過腦機(jī)交互，最終建立新型的計(jì)算結(jié)構(gòu)與智能形態(tài)。
關(guān)于類腦智能研究的重要性，或許可以從圖靈獎(jiǎng)得主Patterson David的觀點(diǎn)中窺得一二，
他認(rèn)為重新定義體系結(jié)構(gòu)是基礎(chǔ)性創(chuàng)新，未來十年將是計(jì)算機(jī)體系結(jié)構(gòu)的黃金十年，在人工智能領(lǐng)域，類腦智能被看作是實(shí)現(xiàn)下一代人工智能的重要技術(shù)路徑之一，極有可能帶來智能計(jì)算的下一波浪潮。
繞不開的AI商業(yè)化難題
類腦研究想要實(shí)現(xiàn)“懂腦、仿腦、連腦”三步走，就要對應(yīng)完成腦認(rèn)知基礎(chǔ)、類腦模擬、腦機(jī)互聯(lián)。
然而，類腦智能研究的第一步，就要直面過去幾十年橫亙在腦科學(xué)研究領(lǐng)域的難題：對人類大腦機(jī)理的清晰認(rèn)知。
雖然大腦是人類進(jìn)化的高級產(chǎn)物，重量約1.5公斤，占體重2％，功耗約20瓦，占全身功耗20％，但當(dāng)前人們對大腦的認(rèn)識依然不足5％，尚無完整的腦譜圖可參考。
早期人們對大腦內(nèi)部的認(rèn)知，來自于軟硬件上模擬生物神經(jīng)系統(tǒng)的結(jié)構(gòu)與信息加工方式。就當(dāng)下而言，雖然科學(xué)家們對單神經(jīng)元模型、部分神經(jīng)環(huán)路信息傳遞原理、初級感知功能機(jī)制等已有較清楚的理解，
但就大腦全局信息加工過程，尤其是對高級認(rèn)知功能的認(rèn)識還非常粗淺，大腦信息處理的數(shù)學(xué)原理與計(jì)算模型仍不清楚，針對腦功能分區(qū)與多腦區(qū)協(xié)同的算法尚不精確。
與此同時(shí)，基于硬件的類腦計(jì)算過程模擬，在類腦器件、芯片和體系結(jié)構(gòu)方面仍面臨著種種挑戰(zhàn)，傳統(tǒng)架構(gòu)的計(jì)算系統(tǒng)面臨著能耗高、算法構(gòu)造困難等問題，與傳統(tǒng)計(jì)算機(jī)相比，人腦能夠以極低能耗處理多種不同類型的智能任務(wù)，在現(xiàn)有類腦芯片在有限硬件資源、有限能耗約束下，難以實(shí)現(xiàn)大規(guī)模神經(jīng)元互連集成和神經(jīng)元脈沖信息高效實(shí)時(shí)傳輸。
言下之意，如何突破現(xiàn)有計(jì)算系統(tǒng)架構(gòu)，建立類腦的新型體系結(jié)構(gòu)和計(jì)算方式，仍需重點(diǎn)探索。
一方面，是對大腦的生理機(jī)制知之甚少；另一方面，是無法把大腦的工作方式抽象成計(jì)算機(jī)可以理解的數(shù)學(xué)模型，這是類腦人工智能落地困難的兩大原因。
除此之外，類腦智能還要面臨來自AI難商業(yè)化的共性問題壓力。
新眸曾在《AI難逃“集郵”命運(yùn)》一文中提到，AI商業(yè)化的本質(zhì)并非專注于技術(shù)的迭代優(yōu)化，而是善用技術(shù)解決客觀存在的實(shí)際商業(yè)問題，從眾多的應(yīng)用場景分析可知：一方面，人工智能能夠?qū)⑷藦暮唵巍⒅貜?fù)、繁重的工作中解放出來，算法仍是AI準(zhǔn)確性和效率的核心；另一方面，場景的適配性是AI成功落地的關(guān)鍵環(huán)節(jié)。
就目前AI行業(yè)格局來看，早期玩家原始技術(shù)積累基本完成，正處于卡位具體場景商業(yè)化階段。尤其是基于視覺、語音和文本的AI技術(shù)相對較為成熟，在相對好落地的To B領(lǐng)域（比如零售、安防、教育、教育、金融等）已經(jīng)扎滿了玩家，空間所剩無幾，而To G又不是普通玩家能夠駕馭的。
這直接導(dǎo)致了AI賽道的整體降溫。
根據(jù)億歐網(wǎng)數(shù)據(jù)，中國AI初創(chuàng)企業(yè)從2012年起，經(jīng)過4年的高速發(fā)展，在2016年達(dá)到頂峰，而后AI創(chuàng)業(yè)熱度逐步降溫，2020年1-4月僅成立4家AI企業(yè)，是2019年全年數(shù)量的12%。如果按照這個(gè)數(shù)據(jù)來推算2020年全年，AI領(lǐng)域初創(chuàng)企業(yè)也不及去年的一半。
圖：2012-2020年4月中國人工智能領(lǐng)域初創(chuàng)企業(yè)成立情況（來源：國盛證券、億歐網(wǎng)）
由此可見，類腦智能想要實(shí)現(xiàn)進(jìn)一步突破，AI商業(yè)化的共性問題依然需要克服。
共性難題下的新路徑
過去60年，人工智能經(jīng)歷了2次從爆發(fā)到低谷的過程，到了21世紀(jì)，隨著數(shù)據(jù)的爆發(fā)式增長，算力和深度學(xué)習(xí)的成熟，人工智能迎來了第3次發(fā)展浪潮。
整體來看，人工智能商業(yè)化速度非?？欤谏镒R別、計(jì)算機(jī)視覺領(lǐng)域有著相對成熟度更高、商業(yè)化更早的技術(shù)，并且在公共安全、語音識別、金融、廣告營銷等領(lǐng)域落地了較好的應(yīng)用?？梢哉f，商業(yè)化是近幾年維持人工智能熱度的主要驅(qū)動(dòng)力。
然而，就像前文所提到的，由于現(xiàn)階段Al底層技術(shù)還存在較多局限性，反映在實(shí)際的商業(yè)業(yè)務(wù)中，會催生出“業(yè)務(wù)需求理解難”、“業(yè)務(wù)價(jià)值證明難”、“AI認(rèn)知差異大”、“落地成本高”等系列問題。
其中最讓人詬病的，當(dāng)屬于在社交、辦公等強(qiáng)需求場景下，Al玩家的解決方案大致趨于相同，很容易陷入同質(zhì)化窘境，在面對Al行業(yè)常見的“場景悖論”時(shí)，玩家突圍的關(guān)鍵邏輯在于對細(xì)分場景的感知與洞察。
在熱門的細(xì)分場景中，各個(gè)競爭者的準(zhǔn)確率都不相上下，如果想通過提高準(zhǔn)確率來超越對手，就得付出非常高額的成本，因?yàn)锳l在各個(gè)場景中，必然會面臨對于機(jī)器模型來說相對長尾的內(nèi)容，在剛剛結(jié)束的世界人工智能大會上，崔興龍博士就以商業(yè)營銷為例，分享了元知智能研究院結(jié)合兩條AI發(fā)展路徑打造的“超級心智”，是如何應(yīng)對Al商業(yè)化過程中的長尾數(shù)據(jù)難題。
“一是AI結(jié)合腦科學(xué)，二是AI結(jié)合更大的數(shù)據(jù)集、更強(qiáng)的算力、更多的場景。”這是崔興龍?jiān)诖髸咸岢龅奈磥鞟I發(fā)展的兩條路徑。
“超級心智”就像是一個(gè)基于類腦智能的AI綜合體。在600+場景中，集成了購物中心、電商、社區(qū)、交易平臺等主要元素，通過行為尺度觀測，洞察人群全場景行為數(shù)據(jù)，對未被標(biāo)記的場景建立物理信息標(biāo)記體系。值得一提的是，“超級心智”還實(shí)現(xiàn)了腦區(qū)尺度建模，建立群體感知、記憶、思考、決策以及創(chuàng)傷規(guī)避模型。
換句話說，“超級心智”將信息在品牌、消費(fèi)者之間通過媒介傳播的全過程進(jìn)行量化和動(dòng)態(tài)擬合，實(shí)現(xiàn)營銷過程的全量化，從而將長尾數(shù)據(jù)也融入至全場景和全鏈條的消費(fèi)數(shù)據(jù)之中。
需要注意的是，即便類腦智能在Al商業(yè)化上已有所建樹，但眼下整體行業(yè)仍處于摸索階段，與發(fā)達(dá)國家相比，我國在類腦智能的前沿研究，以及軟硬件結(jié)合的類腦智能機(jī)器人領(lǐng)域的原創(chuàng)與研發(fā)能力方面，依然有待進(jìn)一步彌合。
慢即是快，做難而正確的事，向下滲透場景，更快更靈活地把技術(shù)優(yōu)勢轉(zhuǎn)化為產(chǎn)品優(yōu)勢，獲得市場占有率，或許會讓類腦智能在其商業(yè)化路徑上找到正確的“發(fā)動(dòng)機(jī)”。
