■本报记者 甘晓

像人一样思考，这是人们对人工智能和机器人的期待。大踏步前进的人工智能，似乎走到了十字路口。

“机器综合智能水平和人脑相差较大，机器学习需要较多人工干预，不同人工智能模态之间交互协同较少……”近日，在香港召开的第S43次香山科学会议上，与会科学家细数当前人工智能发展面临的瓶颈。

解铃还须系铃人，人工智能的发展也不例外。科学家意识到，想要走得更远，人工智能还要回到出发的地方，那便是人类智能。

神经科学提供基础

“以深度学习为代表的机器学习方法在视听觉感知等具体问题上媲美甚至超越人类的水平。”会议报告中，作为一名神经科学家，中科院神经科学所研究员蒲慕明院士为人工智能在过去几十年的发展点赞。不过，他同时看到，与人脑的学习能力相比，机器学习在可解释性、推理能力、举一反三能力等方面存在明显差距。

让机器向人学习，是提升“智能”水平的重要方向。会议执行主席、香港科技大学副校长叶玉如院士指出：“目标是在多个层面，理论上模拟大脑的机制和结构，开发一个更具有普遍性的AI以应对包括多任务、自学习和自适应等方面的挑战。”

“受脑启发”是人工智能最重要的发展方向。近年来，脑科学研究正在从传统的认识脑、了解脑向保护脑再向增强脑、影响脑的过程发展，即完成从“读脑”到“脑控”再到“控脑”的转换。学习大脑的信息处理机制，建立更强大和更通用的机器智能是非常有前景的。通过多学科交叉和实验研究获得的人脑工作机制更具可靠性，有望为人工智能未来发展提供基础。

另一方面，人工智能可以对神经学和脑科学在数据收集、标注和建模等方面提供技术支持促进脑科学的发展。

打破“冯·诺依曼架构”

面向通用的人工智能离不开类脑计算芯片。清华大学精密仪器系教授、类脑计算中心主任施路平表示：“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。”

打破“冯·诺依曼架构”成为借鉴人脑信息处理方式的重要途径。据了解，在“冯·诺依曼架构”中，计算模块和存储单元互相分离，CPU在执行命令时必须先从存储单元中读取数据。每一项任务，如果有十个步骤，那么CPU会依次进行十次读取、执行，再读取、再执行，时间和功耗都花费在数据读取上，限制了数据处理能力。这与大脑处理大量外界信息却能耗极低的现象大相径庭。

类脑计算有望把类似大脑的突触做到芯片上。今年5月，北京大学计算机科学技术系教授黄铁军课题组联合多家单位实现了灵长类视网膜中央凹神经细胞和神经环路的精细建模，提出了模拟视网膜机理的脉冲编码模型，研制成功仿视网膜芯片。

“视网膜超速全时视觉芯片像生物视网膜一样采用神经脉冲表达视觉信息，脉冲发放频率‘超速’人眼百倍，能够‘看清’高速旋转叶片的文字，‘全时’是指从芯片采集的神经脉冲序列中重构出任意时刻的画面。”黄铁军介绍说，“这是实现真正机器视觉的基础，有望重塑视觉信息处理体系，为无人驾驶、机器人、视频监控等领域带来变革。”

不过，神经突触芯片还在实验室阶段，尚未走向实用。与会专家认为，类脑计算是一场令人兴奋又望而生畏的艰难挑战。

尚存三大隐忧

《中国AI发展报告2018》显示，自2013年以来，全球和中国人工智能行业投融资规模都呈上涨趋势。与会专家注意到，目前国内跟人工智能有关的公司有4000多家，但是能够得到投资人青睐或关注、愿意投资的公司，却不到三分之一。过度依赖国外现成源代码、商业应用路径不明确及专业人才稀缺是当前人工智能企业的三大隐忧。

自2015年以来，谷歌、脸书、亚马逊等纷纷发布机器学习的开源软件，导致我国企业采用大量现成的源代码。在科学家看来，这仿佛在起跑线上丧失优势，工艺再精深也是在别人的体系中做零部件的更新改造。对此，应重点突破基础领域，针对人工智能底层技术，加强对以深度学习为代表的底层算法模型的深入研究。

而对于商业应用路径不明确，专家建议企业不要太盲目，应尽快找准发力方向，AI项目商业应用场景能否落地是其成败的关键，快速积累核心技术优势，打造商业模式，才能做出真正有市场需求的产品。同时，应坚持实事求是的发展路线，避免人工智能热潮演变成一次“大跃进”，透支研究和实业资本资源。