598 技術社區[雲棲]

幹貨丨吳朝暉：混合智能概念與新進展

——【按】——

腦科學以闡明腦的工作原理為目標,近年來已成為最重要的科學前沿領域之一。腦功能計算、腦智能模仿再度成為學術界和產業界熱議話題[1-4]。歐盟、美國、日本相繼啟動了大型腦研究計劃，強有力推動了人們對腦結構、腦功能和腦智能的探索和認識；另一方麵，人工智能研究風起雲湧，最近一個標誌性事件是穀歌的AlphaGo以4：1戰勝圍棋世界冠軍李世石[5]，實現了圍棋人工智能領域史無前例的突破。2016年9月斯坦福大學發布了《2030年的人工智能與生活》報告[6]，全麵評估了當前人工智能的進展、挑戰、機遇與展望。然而，在腦神經科學領域，要完全弄清楚腦智能還比較遙遠；而從人工智能角度看，目前AI的高級認知功能還遠弱於人類自身。人類智能(腦）和機器智能(人工智能)從不同的起點研究智能問題，伴隨著相互影響、相互促進的深入，有望實現兩者匯聚，啟發人們從多個角度探索更強智能的可能。

近年來，以腦機接口為代表的神經技術突破使得腦與計算機之間的結合越來越緊密，腦機融合及其一體化已成為未來計算技術發展的一個重要趨勢。研究生物腦（生物智能）與機器腦（人工智能）深度融合並協同工作的新型智能係統，是當前人工智能與腦認知科學交叉領域麵臨的重要課題，在神經康複、生物機器人等關係到國計民生和國家安全的領域具有重大應用需求。

混合智能概念

近半個多世紀的人工智能研究表明，機器在搜索、計算、存儲、優化等方麵具有人類無法比擬的優勢，然而在感知、推理、歸納和學習等方麵尚無法與人類智能相匹敵。鑒於機器智能與人類智能的互補性，我們多年前提出了混合智能(Cyborg Intelligence，CI)的研究新思路[7-8]。即，將智能研究擴展到生物智能和機器智能的互聯互通，融合各自所長，創造出性能更強的智能形態。如圖1所示，混合智能是以生物智能和機器智能的深度融合為目標，通過相互連接通道，建立兼具生物(人類)智能體的環境感知、記憶、推理、學習能力和機器智能體的信息整合、搜索、計算能力的新型智能係統。

圖1 混合智能：新型智能形態

比傳統的仿生學(bionic)或生物機器人(biorobot)更進一步，混合智能係統要構建一個雙向閉環的既包含生物體，又有人工智能電子組件的有機係統。其中，生物體組織可以接受人工智能體的信息，人工智能體可以讀取生物體組織的信息，兩者信息無縫交互。同時，生物體組織對人工智能體的改變具有實時反饋，反之亦然。混合智能係統不再僅僅是生物與機械的融合體[9]，而是同時融合生物、機械、電子、信息等多領域因素的有機整體，實現係統的行為、感知、認知等能力的增強。

近年來，我們在國家“973”計劃“腦機融合感知和認知的計算理論與方法”的支持下，聚焦於生物與機器感知、行為層的融合，借助腦機接口技術，通過研究其中感知-運動整合過程中大腦信息的輸入輸出表征與編解碼、混合智能基本融合框架的設計與構建、感知與行為層的雙向閉環腦機融合技術等，探索了混合智能的行為與感知增強。

為促進混合智能這一新研究方向在國內外的交流與發展，我們陸續舉辦了多項學術活動。2013年，邀請圖靈獎獲得者Raj Reddy等多位國際知名學者在IEEE Intelligent Systems期刊上撰文，圍繞混合智能等展開專題討論[10]；2013年10月，在中國計算機大會上舉辦了“腦機融合與混合智能”專題論壇；2014年7月，在北京舉辦了“Neuromorphic Systems and Cyborg Intelligence”國際研討會；繼而創建成立了中國人工智能學會腦機融合與生物機器智能專業委員會，並同期舉辦中國人工智能學會“腦機融合與類腦計算”學科前沿講習班；2014年底，組織了IEEE Intelligent Systems的“混合智能”專刊[11]。2015年8月，舉辦了IEEE計算智能分會“神經擬態與混合智能係統”國際暑期研討班[12]；2016年7月，在溫哥華舉辦了“Neuromorphic Computing and Cyborg Intelligence”國際研討會等。

研究進展

從混合智能的計算體係角度，我們圍繞感知增強、認知增強及閉環交互三個角度展開研究與探索。具體而言，分別研製了視聽覺增強的大鼠機器人、學習增強大鼠機器人，以及癲癇預測-抑製大鼠閉環係統，同時還研製了混合智能的軟硬件支撐平台Cyborgware。

基於“生物與機器的智能之間存在層次對應關係”的假設，我們前期曾提出混合智能的一個層次化概念框架[8]，如圖2所示。提出的層次化框架中，將生物體智能處理體係分為意圖層、決策層、感知與行為層，將機器智能體係也分為目標層、任務規劃層、感知與執行層。生物與機器之間，同層內功能可以相互混合調用，上下層之間功能也可以相互混合調用，形成混合感知、混合計算、混合執行等多層次多尺度的智能融合。基於所提的混合智能三層體係結構，在大鼠平台上，構建了視聽覺增強、學習增強、癲癇預測-抑製閉環混合智能係統，並研製了所需的軟硬件支撐平台Cyborgware。

圖2 混合智能三層體係結構(視聽覺增強大鼠機器人、學習增強大鼠機器人和癲癇預測-抑製大鼠閉環係統三種不同的層次互聯及調用關係)

(1) 混合感知視聽覺增強大鼠機器人

麵向混合智能三層體係結構的感知行為層與機器端任務規劃層的相互調用目標，我們構建了聽視覺增強的大鼠機器人[13]。該工作將計算機的聽視覺識別能力“嫁接”到大鼠上，實現複雜環境中大鼠機器人的精確導航，達到以機器智能增強生物智能。生物體和機器在感知能力上各有優劣。機器某些具有優勢的感知能力可以彌補生物體自身的不足，即以機器智能增強生物智能。如圖3所示，我們將計算機視覺理解、計算機語音識別這兩種分別代表視覺與聽覺的機器智能感知方式，融合到大鼠生物體，建立了聽視覺增強的腦機融合混合智能原型係統[14]。



(a) 視覺增強大鼠機器人導航 (b) 聽覺增強大鼠機器人模型

圖3 視聽覺增強大鼠機器人

(2) 學習增強大鼠機器人

基於感知、決策與行為層互聯互調，我們構建了學習增強大鼠機器人。通過行為學實驗發現，混合智能的大鼠比單純生物大鼠表現出更好的迷宮探索能力，如圖4所示。我們設計了多種複雜的迷宮求解任務，分別讓純生物大鼠自由探索、純計算機算法探索、混合智能(計算機輔助)的大鼠探索。實驗結果表明，以探索步數及覆蓋率進行性能衡量，混合智能的大鼠比純生物大鼠的表現好，也比純計算機探索的表現好。首次為混合智能的智能增強提供了行為學的驗證[15]，揭示了機器智能能增強生物體的感認知能力，部分回答了腦機融合後是否能獲得智能增強的疑問。

圖4 學習增強大鼠機器人[15]

(3) 癲癇預測-抑製大鼠閉環係統

雙向互適應機製是混合智能係統的核心要素。我們研究並構建了腦機互適應的癲癇實時預測與調控雙向閉環係統[16]，實現了從大腦皮層讀取神經信號、對信號進行在線解碼、進而將調控信息實時輸入到大腦皮層的閉環過程，如圖5所示。此工作探索了動物平台的“癲癇預測-電刺激抑製”腦機互適應融合機製。一方麵，機器從生物讀取信息，智能感知腦的狀態以適應腦的變化；另一方麵，機器向生物輸入隨大腦狀態變化的調控信號，由於腦對外部輸入具有可塑性，從而形成腦對外部刺激的適應。

圖5 癲癇檢測-抑製閉環係統的各分係統

(4) 混合智能支撐平台Cyborgware

為了能夠更加方便、快速地構建一個混合智能係統並支撐其運行，我們特別研製了混合智能軟硬件支撐平台Cyborgware v1.0。目前的版本支持大鼠機器人混合智能係統的構建，主要功能包括大鼠行為仿真運行環境、大鼠自動訓練模塊、視聽覺感知模塊、腦機融合控製決策模塊、神經微電刺激背包等。為了讓係統開發人員更加便捷地進行係統開發，我們還針對混合智能特點，設計了一種新型的腳本編程語言Cyboript，可更好支持腦機混合編程中的異步機製與消息反饋機製。目前正將Cyborgware逐步擴展對非人靈長類動物，以及對人的支持。

Cyborgware平台需要能夠更加平滑地連接生物神經係統，而生物神經係統主要以脈衝神經網絡（Spiking Neural Networks，SNN）方式工作，為此，我們於2015年研製成功一款SNN芯片[17]，如圖6所示。該芯片是Cyborgware平台的重要組成部分，目前支持基於LIF神經元模型的SNN建模，單核版本包括8個物理神經元，通過時分複用技術，最多可支持2 048個神經元、400萬個神經突觸和15個不同突觸延遲。由於采用的流片工藝不高（180 nm CMOS工藝），目前僅支持最高運行頻率70MHz。相比較地，IBM的TrueNorth芯片采用最先進的28 nm工藝，但每個核僅有一個物理神經元，通過時分複用技術支持最多256個神經元[18]。

圖6 脈衝神經網絡芯片——“達爾文”

應用與挑戰

隨著信息技術、神經科學、材料科學等的快速發展，計算嵌入到與生物體、並與之無縫融合，將成為未來計算技術的一個重要發展趨勢。混合智能即在此背景下探索生物智能與人工智能的深度協作與融合，其有望開拓形成一種非常重要的新型智能形態。

混合智能具有非常廣闊的應用前景。

（1）它將為肢體運動障礙與失能人士的康複帶來新儀器，例如，融入混合智能的神經智能假肢、智能人工視覺假體等。

（2）將為神經疾病患者提供全新的治療手段，例如老年癡呆患者的記憶修補、帕金森患者的自適應深部電刺激治療、癲癇發作的實時檢測與抑製、植物人意識檢測與促醒等。

（3）將為正常人感認知能力的增強帶來可行的途徑，例如，聽視嗅等各種感官能力的增強、學習記憶能力的增強、行動能力的增強等。

（4）也將為國防安全與救災搜索等提供重要技術支撐，例如行為可控的各種海陸空動物機器人、腦機一體化的外骨骼係統、人機融合操控的無人係統等。

作為一個新興的研究方向，混合智能不管是在理論上還是技術上，都尚有很多方麵亟待進一步研究與探索。以下例舉若幹混合智能未來的重要趨勢與麵臨的關鍵挑戰。

（1）認知增強方法。相比較運動增強與感知增強，認知增強是一個更難的問題，因為目前對運動與感知神經原理與機製的認識相對比較清楚，但對認知神經原理與機製則了解相對較少，認知過程也更加複雜，例如學習、記憶等。如何充分利用當前認知神經機製方麵的研究成果實現認知增強是一個巨大挑戰。

（2）腦機融合互學習互適應。大腦神經係統的一個重要特性是可塑性，而機器也具有一定的學習能力，由於腦與機的學習方式的差異，使得學習能力無法直接融合。如何讓腦與機在係統層麵實現在線相互學習相互適應，達到更高級的腦機融合，是混合智能未來發展的一個重要趨勢。

（3）神經環路與網絡的層間交互。在神經係統的層次化計算框架中，從神經元到神經集群、再到神經環路，機理相對清楚，但從神經環路到大的神經網絡，因為涉及更廣泛的神經區域，過程極為複雜，目前研究相對有限。因此兩層之間的交互方式與技術也有待重點攻克。

（4）生物相容性電子器件。生物自身的排異生理特性使得一般電子器件難以長久地保持與生物係統暢通連接。混合智能最終目標是達到腦機一體化的融合程度，設計實現生物相容優秀的各種電子材料與器件，是構建真正實用的腦機一體化混合智能係統的關鍵所在。

參考文獻

[1] Y. LeCun, Y. Bengio, and G. Hinton, "Deep Learning," in Nature, 2015.

[2] Y. Sun, Y. Chen, X. Wang, and X. Tang, "Deep Learning Face Representation by Joint Identification-Verification," Advances in Neural Information Processing Systems 27 (NIPS), 2014.

[3] C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, et al., "Going Deeper with Convolutions," in International Conference on Computer Vision and Pattern Recognition, 2014.

[4] G. E. Hinton and R. R. Salakhutdinov, "Reducing the Dimensionality of Data with Neural Networks," Science, vol. 313, pp. 504-507, 2006.

[5] Silver, David; Huang, Aja; Maddison, Chris J.; Guez, Arthur; Sifre, Laurent; Driessche, George van den; Schrittwieser, Julian; Antonoglou, Ioannis; Panneershelvam, Veda (2016). "Mastering the game of Go with deep neural networks and tree search". Nature. 529 (7587): 484-489.

[6] Peter Stone, Rodney Brooks, Erik Brynjolfsson, Ryan Calo, Oren Etzioni, Greg Hager, Julia Hirschberg, Shivaram Kalyanakrishnan, Ece Kamar, Sarit Kraus, Kevin Leyton-Brown, David Parkes, William Press, AnnaLee Saxenian, Julie Shah, Milind Tambe, and Astro Teller. "Artificial Intelligence and Life in 2030." One Hundred Year Study on Artificial Intelligence: Report of the 2015-2016 Study Panel, Stanford University, Stanford, CA, September 2016.

[7] 吳朝暉，鄭能幹，"混合智能：人工智能的新方向"，中國計算機學會通訊，8(1):59-64, 2012.

[8] W. Zhaohui, G. Pan, and N. Zheng, "Cyborg Intelligence," IEEE Intelligent Systems, vol. 28, no. 5, 2013, pp. 31-33.

[9] Manfred E. Clynes and Nathan S. Kline, "Cyborgs and Space", in Astronautics, 1960.

[10] Zhaohui Wu, Raj Reddy, Gang Pan, et al, "The convergence of machine and biological intelligence", IEEE Intelligent Systems, 28(5):28-43, Sep/Oct 2013.

[11] Zhaohui Wu, Gang Pan, Jose C. Principe, Andrzej Cichocki, "Cyborg Intelligence: Towards Bio-Machine Intelligent Systems", IEEE Intelligent Systems, 29(6):2-4, November/December 2014.

[12] https://www.cs.zju.edu.cn/~gpan/necis2015/.

[13] Y. Wang, M. Lu, G. Pan, L. Tian, K. Xu, X. Zheng, Z. Wu, "A Visual Cue-guided Rat Cyborg for Automatic Navigation", IEEE Computational Intelligence, 10(2):42-52, 2014.

[14] Zhaohui Wu, Yingchun Yang, Bingchao Xia, Zhenchuan Zhang, Gang Pan, "Speech interaction with a rat", Chinese Science Bulletin, 59(28):3579-3584, 2014.

[15] Zhaohui Wu, Nenggan Zheng, Shaowu Zhang, Xiaoxiang Zheng, Liqiang Gao, and Lijuan Su, "Maze learning by a hybrid brain-computer system", Scientific Reports, 6:31746, 2016.

[16] Y. Wang, Y. Qi, Y. Wang, Z. Lei, X. Zheng, G. Pan, "Delving into α-stable distribution in noise suppression for seizure detection from scalp EEG", J Neural Eng., 13(5):056009, 2016.

[17] Juncheng Shen, De Ma, Zonghua Gu, Ming Zhang, Xiaolei Zhu, Xiaoqiang Xu, Qi Xu, Yangjing Shen, Gang Pan, "Darwin: a Neuromorphic Hardware Co-Processor based on Spiking Neural Networks", Science China: Information Sciences, 59(2):1-5, February 2016.

[18] Paul A. Merolla, John V. Arthur, Rodrigo Alvarez-Icaza, et al, A million spiking-neuron integrated circuit with scalable communication network and interface, Science, August 2014.

項目資助：國家“973”項目(2013CB329500)。

本文來源於"中國人工智能學會",原文發表時間" 2017-02-27 "