就像打了一劑強心針，當世界上第一臺超越早期經(jīng)典計算機的光量子計算機橫空出世后，人們對人工智能時代的期待似乎有了更多的底氣：超越經(jīng)典的量子計算機已經(jīng)有了，打敗超級計算機的量子計算機還會遠嗎？

一旦后者實現(xiàn)，人類將再次以計算能力為傲，窺探人類大腦的奧秘，從而掃除人工智能研究的一大障礙。目前來看，面對人類大腦，這個雖然只有1.5公斤左右重，卻擁有1011個神經(jīng)元的家伙，讓人類束手無策――要模擬整個大腦的計算能力，世界上目前任何一臺計算機都難以勝任。

在近日由中國科學院學部主辦，中國科學院自動化研究所等協(xié)辦的“腦科學與人工智能”科學與技術(shù)前沿論壇上，就有不少業(yè)內(nèi)人士提出這樣的遐想：建設支持深度學習的新型計算機群，已成為一些人工智能研究的必然選擇，那么人工智能研究究竟需不需要量子計算機那樣的計算能力？

“我們今天的科學家，尤其是計算機科學家，把‘計算’用得太狠了，對‘計算’的依賴甚至有些‘貪得無厭’了！”中國工程院院士、中國人工智能學會理事長李德毅卻在論壇上給大家潑了冷水。在他看來，人工智能學者不能只盯著“計算認知”，一味要求 “人腦”研究的步伐有多快，而要拿出更多的精力放在“記憶認知”和“交互認知”上。

腦科學能啟發(fā)人工智能的并不多？

李德毅之所以對“計算認知”不感冒，還要從谷歌公司的一則報道說起――

2015年5月15日，谷歌對外稱該公司旗下無人駕駛汽車有上百萬英里的測試經(jīng)驗，大致相當于人類75年的駕齡。

“這75年的駕齡是如何‘計算’出來的？”這引發(fā)了李德毅的思考：當無人車上路、發(fā)駕照提上日程，駕駛認知“度量”已經(jīng)成為各國交管部門當務之急時，腦認知該如何度量？信息是用“比特”來度量，能量是用“焦耳”來度量，那么腦認知呢？

腦科學學者似乎并未給出這樣的答案，人工智能學者也就無從得到啟示。

這成了一個隱喻：腦科學、人工智能，兩個同屬21世紀的前沿學科，在過去數(shù)十年間彼此相對獨立，鮮有交叉。

中國科學院外籍院士、中國科學院神經(jīng)科學研究所所長蒲慕明在當天的論壇上也提到，不管是國內(nèi)還是國外，都是如此，不過隨著研究手段不斷豐富，研究領域不斷突破，兩者的交叉融合成為熱點，甚至出現(xiàn)一個新的研究名詞，類腦智能。美國、歐盟都相繼啟動相關(guān)研究計劃，中國也啟動了腦計劃。他說，中國的計劃是將腦科學和人工智能結(jié)合得最為緊密的。

比如，現(xiàn)在流行的深度學習，就是基于人工神經(jīng)網(wǎng)絡的一個應用，這些人工神經(jīng)網(wǎng)絡都可以從神經(jīng)科學的一些規(guī)律中得到靈感。蒲慕明說，比如可以借鑒神經(jīng)突觸的可塑性、記憶儲存、提取與消退，等等。

不過他也承認，目前的腦科學研究能啟發(fā)人工智能的并不是特別多。

蒲慕明給出一個類比，當前的腦科學研究，僅相當于物理、化學等學科在19世紀末期的研究水平，“要完全理解大腦，可能是幾個世紀的事情，而不是我們這個世紀就可以達到的?！彼f。

那為何還要做類腦研究，蒲慕明說，必須要在這個時候做一些適當?shù)膽?，假如不把已?jīng)知道的知識應用到對腦疾病的診斷、干預和治療上，那么到2050年我們的醫(yī)療系統(tǒng)很可能要面臨崩潰――那時你會發(fā)現(xiàn)仍然沒有一個腦疾病能夠治愈。

相應地，人工智能的應用也是如此。他說，不一定非要完全搞清楚，神經(jīng)科學一些具有階段性的成果，也可以給人工智能的發(fā)展提供啟發(fā)。

什么是人類最重要的智能行為？

中國科學院院士、中國科學院自動化研究所研究員譚鐵牛就在現(xiàn)有的研究基礎上，得出一個結(jié)論：“模式識別”是人類最重要的智能行為，也是人工智能重要的研究內(nèi)容――機器的“模式識別”能力，在一定程度或者很大程度上反映了機器智能“類人”的程度。

在當天的論壇上，譚鐵牛舉了幾個模式識別的例子。比如語音識別，近些年突飛猛進的科大訊飛，能將維吾爾語翻譯成漢語，漢語翻譯成維吾爾語；再如步態(tài)識別，在看不到人臉、虹膜和指紋的時候，就能通過步態(tài)在幾十米外感知到其身份。

此外，還有圖像識別，其中具有代表性的人臉識別，早在幾年前馬云刷臉支付已經(jīng)引爆輿論熱點。譚鐵牛本人就在進行虹膜識別的研究，并建立了目前國際上規(guī)模最大的共享虹膜圖像庫，被多國共享使用。他說，這不僅可以用在手機上，還可在查找丟失兒童上發(fā)揮作用。

譚鐵牛說，模式識別的技術(shù)瓶頸可通過借鑒生物的機理改進，未來生物啟發(fā)的模式識別在人工智能領域前景可期。其最終追求，是希望模擬逼近人的模式識別，這是非常艱巨的過程。

他也提到，模式識別的主要瓶頸在于魯棒性、自適應性和可泛化性。

魯棒性，說白了，就是人工智能“夠不夠皮實”“是不是稍微有點擾動，就會出錯”。譚鐵牛舉了一個例子，比如在酒會上聊天，背景噪音比較多，如果想聽清其中某一個人的聲音，就要忽略或者抑制背景中其他對話的干擾――人類可以做到這一點，也就是聽覺系統(tǒng)所謂的雞尾酒效應，但人工智能可以嗎？

所謂自適應性，則比較容易理解，譚鐵牛說，人類的眼睛會隨著燈光的變化、環(huán)境的變化進行調(diào)整，這說明自適應性非常強。這一點可以應用到人工智能上，比如人臉識別，有一位朋友十幾年甚至幾十年沒見，再見面是否還能認出來？他說，現(xiàn)有的模式識別在這方面還不是很理想。

可泛化性，說白了就是“舉一反三”。譚鐵牛說，當小孩認識蘋果后，即便只記住了一次，也可以識別其他類型的蘋果，這說明人類看到一個東西后，不僅知其然，還知其所以然。而知其所以然，就是人工智能領域所說的“深度學習”。但目前的人工智能深度學習，必須建立在大量數(shù)據(jù)的基礎之上，這一點也有待進一步研究。

譚鐵牛說，要解決這3個問題，關(guān)鍵還是看人類本身，在微觀層面上，人工智能的模式識別可借鑒人類的神經(jīng)元，神經(jīng)元有興奮性、抑制性、功能可塑性和傳播性?？茖W家受到這個啟發(fā)，增強了模式識別動態(tài)系統(tǒng)的穩(wěn)定性。

無人駕駛是人工智能的突破口？

李德毅已經(jīng)找到了一個實踐的突破口：自動駕駛。他說，無論是對話、詩詞或者駕駛，圖靈測試都允許測試者現(xiàn)場介入，判定結(jié)果都帶有近似性和主觀性。但是，和對話、詩詞測試相比，駕駛的圖靈測試可以進行更為精確、更為客觀的評測。

他說，當初汽車被發(fā)明出來的時候，人們最感興趣的是汽車的結(jié)構(gòu)、機械、傳動、輪胎、底盤和車身。到20世紀，人們感興趣的則是發(fā)動機、碳排放和被動安全。到20世紀末、21世紀初，人們總體上關(guān)心3件事情，輕量化、清潔化、智能化。

所謂智能化，在他看來有4個階段，第一是理性輔助駕駛，以人駕為主；第二是自動駕駛，局部時段可以放開手和腳；第三是自動駕駛，即用自動駕駛接管駕駛權(quán)；第四是人機協(xié)同駕駛。

在李德毅看來，無人駕駛，難在擬人。

他感嘆：汽車是從馬車演變而來，作為動力工具，汽車的馬力可以達到100匹馬力，但汽車遠遠不如馬應對不同的負荷、天氣、路面，以及不同車輛情況下的適應能力。說白了，汽車的感知、認知能力遠遠不如馬這個認知主體，“老馬識途，車不如馬！”

李德毅說，其根本問題不在于車而在于人，要解決人的問題，就要讓駕駛員的認知能夠用機器人替代，讓機器人具有記憶、決策和行為能力，于是新的概念產(chǎn)生了――“駕駛腦”。

“駕駛腦”不等于駕駛員腦，“駕駛腦”是要做駕駛員的智能代理，要去完成包括記憶認知、計算認知和交互認知在內(nèi)的駕駛認知，他說，這應該是人工智能時代最有意義的課題之一。( 邱晨輝)