10位院士深度分析人工智能发展现状和未来方向

10位院士深度分析人工智能（发展现状和未来方向）

12 月 21 日，由鹏城实验室、新一代人工智能产业技术创新战略联盟主办的“2019新一代人工智能院士高峰论坛”进入第二天，12场主题演讲，2场圆桌论坛Panel将论坛推向高潮。当天上午，来自阿里、中科大、清华大学、中科院自动化所、鹏城实验室的专家围绕AI芯片和类脑，分享了各自领域的最新进展；下午，来自中国平安、卫健委、交警局、蚂蚁金服、中科院计算所、云天励飞的专家，则聚焦人工智能和人工智能赋能，深度剖析了人工智能领域的发展现状和未来值得探索的方向。两场精彩的圆桌论坛也从日常生活、交通出行、社会管理、医疗服务、金融等方方面面，探讨了人工智能给我们生活带来的便利之处。

这次会议延续去年强大的院士阵容，今年邀请了多达 10 位院士以及诸多人工智能领域学术和企业界的顶级专家，从各自的领域深度剖析了人工智能领域的发展现状和未来值得探索的方向。

1、蒲慕明院士：脑科学与类脑智能研究

作为大会的第一位报告嘉宾，中国科学院院士、美国科学院外籍院士蒲慕明带来了主题为《脑科学与类脑智能研究》的报告。

中国科学院院士、美国科学院外籍院士蒲慕明

蒲慕明院士谈到：「我认为下一代人工智能的一个很重要的发展方向就是，脑启发的新型人工智能。我们国家在未来 10 年将启动的重大项目叫做脑科学与类脑研究，整体框架为『一体两翼』，主体是脑认知功能的神经基础，做全脑神经连接图谱，两翼则是指研究内容分为脑重大疾病诊断和干预、脑机智能技术研发两个方向。」

他指出理解大脑需要从三个层面上的神经连接图谱分析：

第一个是宏观图谱。通过核磁成像的技术可以看到毫米级的神经束，每个神经束都有成千上万的细胞纤维，传导方向是双向，但只了解神经束的走向对于理解脑功能并没有太大贡献。

第二个是介观图谱，空间分辨率要达到微米级别。用特殊方法来标记不同的神经元种类，了解不同神经元的功能。介观神经连接图谱是目前神经科学的主要方向。

第三个是微观图谱，空间分辨率要达到纳米级别。在微观层面对神经元轴突和树突的分布以及突触产生规律的研究可以得到很多有用信息的。

进一步，他认为类脑智能研究中要考虑三个层次的认知：

第一个层次是对外界的认知，包括感知觉、多感觉整合和注意、分类等，是许多动物都拥有的认知能力，对此可以从动物模型中寻找一些信息和启发；

第二个层次是对自我和非我的认知，包括自我意识、共情心和理解他者能力，但可能只有灵长类动物才有，因此只能基于灵长类动物进行研究，而这是我国未来在基础神经科学研究中最有优势的领域；

第三个层次是对语言的认知，这是只有人类才具有的句法、文法以及无限开放式的语言结构，对于研究人类语言的神经机制和演化起源，构建非人灵长类转基因动物的模型是必要的。

对于这些脑网络特性，人工智能未来研究中有可以借鉴但目前还没有借鉴地方呢？蒲慕明院士认为有五个重要的点：

第一，神经元很简单，有不同性质和种类的神经元，例如抑制性神经元（信息反转）、兴奋性和抑制性神经元亚型（不同放电特性）；

第二，神经网络有顺向、逆向侧向和的联接，现在主要是正向的，而加入反向的联接会带来好处，而侧向联接尤其重要，并且也是有序的。

第三，神经突触的可塑性。这个方面除了传递效率的增强和削弱（LTP 和 LTD）的功能可塑性，突触的新生和修剪的结构可塑性也非常有用。

第四，记忆的贮存、提取和消退也非常关键，网络中特定突触群的效率和结构修饰便是记忆的储存，记忆提出是指电活动的再现于储存记忆的突触群，而记忆消退则是指突触功能与结构修饰随时间消退。另外根据输出对学习相关的突触群修饰，可进行强化学习。

第五，赫伯神经元集群概念的应用，包括细胞群的建立、多模态信息的整合，不同信息的捆绑、同步的信息震荡、时间相位差以及输入信息的图谱结构等等都可以借鉴

最后，他更是对新型人工网络架构和机器学习算法提出了四点建议：

一是要摆脱深度学习网络（DNN）的诱惑；

二是要以高效、节能、半监督和无监督学习为目标，建立全新的人工智能模型和算法；

三是以脉冲神经网络（SNN）为基础，加入传递延迟，强调时序信息的重要性；

四是，从简单的（少数层）的网络为基础，每次加入一个自然神经网络的特性产生新的架构，然后用新的机器学习和算法来检测效果。

除此之外， 他认为 AI 界应该提出一个新的机器人或智能标准，从语言和感知觉能力的整合、团队合作等更多维度去尝试建立「新图灵测试」。

2、高文院士：数字视网膜与云视觉系统演进

本次论坛的又一位院士——中国工程院院士、鹏城实验室主任高文接着蒲慕明院士对神经网络的相关介绍，重点分享了如何利用对神经网络的理解来改进包括城市大脑或智慧城市系统等现有云视觉系统方面存在的一些问题，他的报告主题是《数字视网膜与云视觉系统演进》。

中国工程院院士、鹏城实验室主任高文

首先，他指出了云视觉系统目前存在的两大主要的挑战：

第一，虽然视频数据非常多，但是能够对其进行规范并能够从中挖掘出规律的大数据却并不多。

第二，这些视频数据中绝大多数都是正常视频，而敏感视频比较少，因而产生的价值并不大。

而深究到底，这两大问题其实是整个视觉感知系统架构造成的直接后果。对此，高文院士等人从高级生命体视觉系统的进化