读人工智能全球格局：未来趋势与中国位势14进化(下)

1. 类脑智能

1.1. 源起

• 1.1.1. 人脑在协调多种认知功能方面有着无与伦比的能力
  
• 1.1.2. 人脑是一个通用智能系统，能举一反三、融会贯通，可处理视觉、听觉、语言、学习、推理、决策、规划等各类问题，可谓“一脑万用”​
  
• 1.1.3. 人类的智能感知和思维能力是在成长和学习中自然形成和不断进化的，其自主学习和适应能力是当前计算机难以企及的
  
• 1.1.4. 人工智能如果可以模仿人脑，那就可以大大扩展其通用性，达到通用人工智能的水平
  
• 1.1.5. 所谓类脑智能，通俗来说就是拥有人造大脑、会思考、会学习的智能体
  
  
  
  • 1.1.5.1. 利用算法模拟神经元工作机制，制造在信息处理机制上类脑、在认知能力上类人的计算模型
    
  • 1.1.5.2. 从信息处理与智能本质角度审视人脑信息处理，借鉴其原理并催生类脑智能计算技术，是实现人工智能创新的重要源泉
    
  
  

1.2. 理解并模仿人类大脑

• 1.2.1. 要实现类脑智能，就要深入探索大脑的功能划分并深刻理解其中的运行机制
  
• 1.2.2. 人脑信息处理过程不再仅凭猜测，通过多学科交叉和实验研究得出的人脑工作机制也更可靠
  
• 1.2.3. 从待解决问题相关数据的特点与问题目标的角度出发，以计算的视角设计算法
  
• 1.2.4. 类脑智能研究长期的目标是实现通用人工智能，这就需要首先研究人脑如何通过同一系统实现不同的认知能力，从中得到启发并设计下一代智能系统
  
• 1.2.5. 主要问题
  
  
  
  • 1.2.5.1. 视觉信息感知
    

  1.2.5.1.1. 人工智能往往依赖于摄像头来采集视觉图像，很难从中快速识别出关键信息，如人脸、手势或障碍物
  

  
  
  
  
  • 1.2.5.2. 人机对话
    

  1.2.5.2.1. 人工智能体依靠传感器收集外界声音信号，通过语音识别系统和相关处理技术对信号进行分析解读
  

  1.2.5.2.2. 在嘈杂的现实环境中，现有的语音识别技术很难成功而高效地实现语音识别、理解和处理操作
  

  
  
  
  
  • 1.2.5.3. 类脑信息处理
    

  1.2.5.3.1. 人工智能终端承担着繁杂的计算任务以及信号接收、指令下达等重要功能
  

  1.2.5.3.2. 随着人工智能应用范围的不断扩充，对处理中枢的容量、​“思维速度”等都有更高要求
  

  
  
• 1.2.6. 研究方向
  
  
  
  • 1.2.6.1. 微观理解神经元、突触的工作机制及其特性
    

  1.2.6.1.1. 通过一道道电流，我们的肌肉收到指令，我们的脑海浮现场景
  

  
  
  
  
  • 1.2.6.2. 宏观分析脑区间的链路及协作
    

  1.2.6.2.1. 类脑智能自然不会是“终其一生”只能做一件简单事的机器，而是要作为像人类一样掌握各种技能的“仿生人”​
  

  1.2.6.2.2. 要求其“大脑”能够管控协调多重功能，让智能体说话时运动功能不受影响，视物时能够看图说话，这必然也少不了对不同功能脑部区间的研究
  

  
  
  
  
  • 1.2.6.3. 从介观
    

  1.2.6.3.1. 从神经网络连接模式的角度来了解微观与宏观层面的协作
  

  1.2.6.3.2. 从综合的角度，协调微观神经与宏观脑区的结构与功能
  

  1.2.6.3.3. 类脑智能的实现不仅要用神经网络的节点来模拟微观神经元的运作，同时要在层次设计上接近大脑的宏观层次，形成综合性信息处理体系
  

  
  

1.3. 发展方向

• 1.3.1. 智能脑机交互
  
  
  
  • 1.3.1.1. 指通过在人脑神经与具有高生物相容性的外部设备间建立直接连接通路，实现神经系统和外部设备间信息交互与功能整合的技术
    
  
  
• 1.3.2. 对话式人工智能
  
  
  
  • 1.3.2.1. 指融合语音识别、语义理解、自然语言处理、语音合成等多种解决方案，为开发者提供具备识别、理解及反馈能力的开放式平台的技术
    
  • 1.3.2.2. 该技术需要借鉴人脑语言处理环路的结构与计算特点，实现具备语音识别、实体识别、句法分析、语义组织与理解、知识表示与推理、情感分析等能力的统一类脑语言处理神经网络模型与算法
    
  
  
• 1.3.3. 神经形态计算
  
  
  
  • 1.3.3.1. 指仿真生物大脑神经系统，在芯片上模拟生物神经元、突触的功能及其网络组织方式，赋予机器感知和学习能力的技术
    
  • 1.3.3.2. 目标在于使机器具备类似生物大脑的低功耗、高效率、高容错等特性，该技术将在智能驾驶、智能安防、智能搜索等领域具有广阔应用前景
    
  
  
• 1.3.4. 智能机器人
  
  
  
  • 1.3.4.1. 机器人是机械与电子的完美结合体
    
  • 1.3.4.2. 诞生初衷，就是人类希望机器代替自己工作
    
  • 1.3.4.3. 即使被称为智能机器人，目前其也只能模仿人类的动作、行为来与环境进行交互
    
  • 1.3.4.4. 智能机器人未来发展的趋势是基于认知脑计算模型、类脑信息处理技术来构建机器脑，利用机器脑直接控制机器人的“四肢”​，从而实现机器人的自主学习与决策，最终实现类脑智能机器人
    
  • 1.3.4.5. 类脑智能机器人不但是未来人工智能研究的重要方向之一，而且其在未来服务业、智能家居、医疗、国家与社会安全等领域都具有极为广泛的应用价值
    
  
  

2. 量子机器学习

2.1. 机器学习快速成长为大数据处理领域的技术基石
2.2. 机器学习根据已有数据进行策略的学习和探索，并可以挖掘数据内部的潜在结构，从而获得模型进行预测及分析
2.3. 数据科学家通过计算构建预测模型，利用大量的数据迭代优化模型，从而让计算机学习到数据中蕴含的知识，实现了弱人工智能
2.4. 瓶颈

• 2.4.1. 不断产生的大量的数据需要处理、分析、计算
  
• 2.4.2. 电子计算机的发展逐渐停滞不前，其计算能力难以扩展
  

2.5. 量子是天生的计算行家

• 2.5.1. 微观粒子的“态叠加”(superposition)，即一个微观粒子可以同时存在于多个不同的位置或者同时具有0和1两种状态
  
• 2.5.2. 微观粒子之间可能还会形成“量子纠缠”(quantum entanglement)，两个无论相隔多远的粒子的状态都会随时相互影响
  
• 2.5.3. 经典计算机对2n比特的数据执行相同计算需要2n操作，而量子计算机只需要对n个量子比特进行一次操作即可
  
  
  
  • 2.5.3.1. 量子计算机可能指数级减少解决问题的步骤
    
  
  
• 2.5.4. 量子计算不管在数据存储能力还是数据处理能力上都远超经典计算
  
• 2.5.5. 并行性正是起源于量子物理中“量子比特”(qubit)、​“态叠加”(superposition)和“纠缠”(entanglement)等理论
  

2.6. 量子机器学习算法

• 2.6.1. 受到量子特性的启发，麻省理工学院的科学家彼得·秀尔(Peter Shor)在1994年基于量子计算提出了著名的“秀尔算法”​（Shor's algorithm）​，解决了建造量子计算机的理论问题，从此引发了全世界量子计算的研究热潮
  
• 2.6.2. 第一类
  
  
  
  • 2.6.2.1. 该类算法将机器学习中复杂度较高的部分替换为量子版本进行计算，从而提高整体运算效率
    
  • 2.6.2.2. 沿用原有机器学习的框架。在主体思想不变的情况下，将部分复杂计算转换成量子版本运行在量子计算机上，利用量子计算机的快速计算能力解决高复杂度部分的计算问题，从而获得提速
    
  
  
• 2.6.3. 第二类
  
  
  
  • 2.6.3.1. 该类算法的特点是寻找量子系统的力学效应、动力学特性与传统机器学习处理步骤的相似点，将物理过程应用于传统机器学习问题的求解，产生新的机器学习算法
    
  • 2.6.3.2. 全部过程均可在经典计算机上实现，只是利用了量子计算的思维方式，可以在现在的硬件条件下，进一步提升计算机的计算潜力
    
  • 2.6.3.3. 在其他领域也有不少类似思路的研究，如退火算法、蚁群算法等
    
  
  
• 2.6.4. 第三类
  
  
  
  • 2.6.4.1. 该类算法主要借助传统机器学习强大的数据分析能力，帮助物理学家更好地研究量子系统，更加有效地分析量子效应，是物理学家对量子世界研究的有效辅助
    
  • 2.6.4.2. 该类算法的提出将促进我们对微观世界进一步的了解，并解释量子世界的奇特现象
    
  
  

2.7. 量子机器学习的应用

• 2.7.1. 寻找巨型矩阵的特征值和特征向量
  
  
  
  • 2.7.1.1. 执行经典的主成分分析(PCA)算法的方法之一，是取数据协方差矩阵的特征值分解
    

  2.7.1.1.1. 在高维数据的情况下并不是很有效
  

  
  
  
  
  • 2.7.1.2. 一个未知的低密度矩阵量子PCA能够揭示与大特征值相关的量子特征，与线性规模的经典算法相比速度呈指数级增长
    
  
  
• 2.7.2. 在量子计算机上找到近邻
  
  
  
  • 2.7.2.1. 通过监督学习和无监督学习计算近邻的量子算法，是将查询数量的上限设置为计算距离指标所需的输入数据，如欧几里得距离和内积
    
  
  
• 2.7.3. 求解线性方程组的量子算法
  
  
  
  • 2.7.3.1. 在解决机器学习问题中的子程序中起作用
    
  
  
• 2.7.4. 量子位状态的二元分类
  
  
  
  • 2.7.4.1. 训练了一种量子学习机器，将量子位的状态分为0和1，经典记忆的增长只随训练量子位的数量成对数增长，即使在一个组成变化足够大的训练集下，它也能表现得很好
    
  
  
• 2.7.5. 量子神经网络
  
  
  
  • 2.7.5.1. 指采用量子器件搭建神经网络、优化神经网络结构和性能的技术
    
  • 2.7.5.2. 技术充分利用了量子计算超高速、超并行、指数级容量的特点，有效缩短了神经网络的训练时间，未来将在人脸识别、图像识别、字符识别等领域具有重要应用价值和广阔前
    
  
  
• 2.7.6. 优势
  
  
  
  • 2.7.6.1. 由于量子态的可叠加性，量子算法可以在不增加硬件的基础上实现并行计算，在此基础上利用量子相位估计、Grover搜索等算法，可实现相对于完成同样功能的经典算法的二次甚至指数加速
    
  • 2.7.6.2. 将经典数据编码为量子数据，并利用量子并行性进行存储，可实现指数级节省存储硬件需求
    
  
  

2.8. 量子计算机

• 2.8.1. 一台64位量子计算机的单次运算速度达到目前普通计算机CPU的级别(1GHz)，那么这台量子计算机的数据处理速度理论上将是神威·太湖之光超级计算机的1500亿倍
  
  
  
  • 2.8.1.1. 事实上，支持这些硬件设备正规化和更新换代的技术路线已经较为明确，成品实现主要是时间问题
    
  
  
• 2.8.2. 量子芯片中，量子位数目增加相对容易，但是在技术上更加困难的是对多量子比特的相干控制能力
  
• 2.8.3. 如果一个芯片对多量子比特的相干控制能力没有获得好的测试结果，那么这个芯片就没有科学或实用价值
  

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

感谢，下载保存了