AI商业化难题：类脑智能为什么成了AI的新宠？

    
    新眸科技组作品
    撰文|西寅编辑|栖木
    类脑智能,正在成为AI领域的新角逐点。
    就当下而言,类脑研究已经成为世界各国研究的科技战略重点,美国、欧盟和日本相继提出自己的脑计划,类脑研究皆被列为其中重要内容。与此同时,中国正在制定的脑计划中,类脑与脑机智能也属于核心内容。
    事实也的确如此,随着大脑成像、脑机交互、生物传感、大数据处理等新技术接连迭代,脑科学开始与计算技术、人工智能、认知心理等其它学科交叉融合,作为AI的新突破口,类脑智能正迎来技术奇点时刻。
    “作为一种借鉴人脑存储处理信息方式发展起来的新技术,类脑计算将是人工通用智能的基石。”清华大学精密仪器系教授、类脑计算中心主任施路平曾这样表示,即便如此,身处AI领域的类脑智能,依然面临着AI的共性问题,比如落地场景不清晰、成本高昂、回报比难核算等问题。
    基于此,本文新眸将着重解构类脑智能及其商业化逻辑。
    01老树,能否开新花?
    不可置否的是,人工智能的整体发展似乎陷入了瓶颈期。
    “在我们今天学习框架和基础科学范围内,未来会不会出现超级智能,或者说通用人工智能,到达人类创新思维能力,其实还是一个科学范畴的问题。”主攻人工智能类脑方向的元知智能研究院院长崔兴龙如是说。
    以上观点里的逻辑并不难理解,通俗的讲,就是人工智能虽被冠以智能二字,但“智商”却没有人们想象中的高。
    举个简单的例子,当日本福岛核电站发生泄漏后,本被寄予厚望的机器人并没有顺利完成灾后事故处理任务,大量高风险的工作仍然需要由人力来完成;爆火的无人驾驶的概念车,只能在某些测试路段上做到高度自动驾驶,无法在人口密集、地形复杂的城市街道上正常行驶。
    这些具体应用中存在的痛点,其实都指向了以深度学习为代表Al技术,依然存在局限性。
    究其原因,还是要回归到技术维度上来解读。一般来说,深度学习是通过卷积神经网络(CNN)或递归神经网络(RNN)来实现,虽然CNN和RNN都属于人工神经网络,但其中的人工神经元,至今仍在使用上世纪40年代时的模型,虽然现在设计出来的人工神经网络变得愈加复杂,但从本质上来看,其神经元模型并没有太大的改进,均只是对人类大脑神经系统的高度简化与抽象化。
    在此之下,Al落地难的问题不可避免地发生了。
    比如机器学习不灵活,需要较多人工干预或大量标记样本;自主学习、自适应等能力弱,高度依赖于模型构建;人工智能的不同模态和认知功能之间交互与协同较少、仅解决特定问题,适用于专用场景智能。
    这就让人产生了一种错觉,AI似乎没有那么智能,人脑在可解释性、推理能力、举一反三能力等方面依然领先一筹。这就意味着,AI想要完成进一步突破,对类脑智能的深入研究就显得非常关键且必要。
    总的来说,类脑智能受大脑神经运行机制和认知行为机制启发,以计算建模为手段,通过软硬件协同实现的机器智能。近年来,针对类脑智能的脑科学研究正从传统的认识脑、了解脑向增强脑、影响脑的过程发展,完成从“读脑”到“控脑”的转换。
    归纳起来可以理解为,类脑研究是以借鉴人脑处理信息方式为目标,模拟大脑神经系统,构建以数值计算为基础的虚拟超级脑;或通过脑机交互,最终建立新型的计算结构与智能形态。
    关于类脑智能研究的重要性,或许可以从图灵奖得主Patterson David的观点中窥得一二,他认为重新定义体系结构是基础性创新,未来十年将是计算机体系结构的黄金十年,在人工智能领域,类脑智能被看作是实现下一代人工智能的重要技术路径之一,极有可能带来智能计算的下一波浪潮。
    02绕不开的AI商业化难题
    类脑研究想要实现“懂脑、仿脑、连脑”三步走,就要对应完成脑认知基础、类脑模拟、脑机互联。
    然而,类脑智能研究的第一步,就要直面过去几十年横亘在脑科学研究领域的难题:对人类大脑机理的清晰认知。虽然大脑是人类进化的高级产物,重量约1．5公斤,占体重2%,功耗约20瓦,占全身功耗20%,但当前人们对大脑的认识依然不足5%,尚无完整的脑谱图可参考。
    早期人们对大脑内部的认知,来自于软硬件上模拟生物神经系统的结构与信息加工方式。就当下而言,虽然科学家们对单神经元模型、部分神经环路信息传递原理、初级感知功能机制等已有较清楚的理解,但就大脑全局信息加工过程,尤其是对高级认知功能的认识还非常粗浅,大脑信息处理的数学原理与计算模型仍不清楚,针对脑功能分区与多脑区协同的算法尚不精确。
    与此同时,基于硬件的类脑计算过程模拟,在类脑器件、芯片和体系结构方面仍面临着种种挑战,传统架构的计算系统面临着能耗高、算法构造困难等问题,与传统计算机相比,人脑能够以极低能耗处理多种不同类型的智能任务,在现有类脑芯片在有限硬件资源、有限能耗约束下,难以实现大规模神经元互连集成和神经元脉冲信息高效实时传输。
    言下之意,如何突破现有计算系统架构,建立类脑的新型体系结构和计算方式,仍需重点探索。一方面,是对大脑的生理机制知之甚少;另一方面,是无法把大脑的工作方式抽象成计算机可以理解的数学模型,这是类脑人工智能落地困难的两大原因。
    除此之外,类脑智能还要面临来自AI难商业化的共性问题压力。
    新眸曾在《AI难逃“集邮”命运》一文中提到,AI商业化的本质并非专注于技术的迭代优化,而是善用技术解决客观存在的实际商业问题,从众多的应用场景分析可知:一方面,人工智能能够将人从简单、重复、繁重的工作中解放出来,算法仍是AI准确性和效率的核心;另一方面,场景的适配性是AI成功落地的关键环节。
    就目前AI行业格局来看,早期玩家原始技术积累基本完成,正处于卡位具体场景商业化阶段。尤其是基于视觉、语音和文本的AI技术相对较为成熟,在相对好落地的To B领域(比如零售、安防、教育、教育、金融等)已经扎满了玩家,空间所剩无几,而To G又不是普通玩家能够驾驭的。
    这直接导致了AI赛道的整体降温。根据亿欧网数据,中国AI初创企业从2012年起,经过4年的高速发展,在2016年达到顶峰,而后 AI 创业热度逐步降温,2020 年1-4月仅成立4家AI企业,是2019年全年数量的12%。如果按照这个数据来推算2020年全年,AI领域初创企业也不及去年的一半。
    
    图:2012-2020年4月中国人工智能领域初创企业成立情况(来源:国盛证券、亿欧网)
    由此可见,类脑智能想要实现进一步突破,AI商业化的共性问题依然需要克服。
    03共性难题下的新路径
    过去60年,人工智能经历了2次从爆发到低谷的过程,到了21世纪,随着数据的爆发式增长,算力和深度学习的成熟,人工智能迎来了第3次发展浪潮。
    整体来看,人工智能商业化速度非常快,在生物识别、计算机视觉领域有着相对成熟度更高、商业化更早的技术,并且在公共安全、语音识别、金融、广告营销等领域落地了较好的应用。可以说,商业化是近几年维持人工智能热度的主要驱动力。
    然而,就像前文所提到的,由于现阶段Al底层技术还存在较多局限性,反映在实际的商业业务中,会催生出“业务需求理解难”、“业务价值证明难”、“AI认知差异大”、“落地成本高”等系列问题。
    其中最让人诟病的,当属于在社交、办公等强需求场景下,Al玩家的解决方案大致趋于相同,很容易陷入同质化窘境,在面对Al行业常见的“场景悖论”时,玩家突围的关键逻辑在于对细分场景的感知与洞察。
    在热门的细分场景中,各个竞争者的准确率都不相上下,如果想通过提高准确率来超越对手,就得付出非常高额的成本,因为Al在各个场景中,必然会面临对于机器模型来说相对长尾的内容,在刚刚结束的世界人工智能大会上,崔兴龙博士就以商业营销为例,分享了元知智能研究院结合两条AI发展路径打造的“超级心智”,是如何应对Al商业化过程中的长尾数据难题。
    
    “一是AI结合脑科学,二是AI结合更大的数据集、更强的算力、更多的场景。”这是崔兴龙在大会上提出的未来AI发展的两条路径。
    “超级心智”就像是一个基于类脑智能的AI综合体。在600+场景中,集成了购物中心、电商、社区、交易平台等主要元素,通过行为尺度观测,洞察人群全场景行为数据,对未被标记的场景建立物理信息标记体系。值得一提的是,“超级心智”还实现了脑区尺度建模,建立群体感知、记忆、思考、决策以及创伤规避模型。
    换句话说,“超级心智”将信息在品牌、消费者之间通过媒介传播的全过程进行量化和动态拟合,实现营销过程的全量化,从而将长尾数据也融入至全场景和全链条的消费数据之中。
    需要注意的是,即便类脑智能在Al商业化上已有所建树,但眼下整体行业仍处于摸索阶段,与发达国家相比,我国在类脑智能的前沿研究,以及软硬件结合的类脑智能机器人领域的原创与研发能力方面,依然有待进一步弥合。
    慢即是快,做难而正确的事,向下渗透场景,更快更灵活地把技术优势转化为产品优势,获得市场占有率,或许会让类脑智能在其商业化路径上找到正确的“发动机”。