2019年哪些值得期待的人工智能研發(fā)

通過對人工智能技術(shù)的不斷完善，能夠營造更美好的智能世界。2019年，5G通信網(wǎng)絡(luò)、區(qū)塊鏈技術(shù)、腦機接口技術(shù)等分支學(xué)科均取得了一系列進(jìn)展，并在眾多領(lǐng)域得到廣泛應(yīng)用，同時也促進(jìn)了各個領(lǐng)域朝著智能化方向發(fā)展。

人工智能研究領(lǐng)域誕生于 19世紀(jì) 50年代，致力于使機器和系統(tǒng)以類似于人類智能的水平運行。它經(jīng)歷了進(jìn)步和挑戰(zhàn)，并且由于現(xiàn)代計算能力和數(shù)據(jù)存儲技術(shù)的飛速發(fā)展，近年來得到了復(fù)興。人工智能一般會涉及推理、數(shù)據(jù)擬合、聚類和優(yōu)化等的子問題，這些子問題利用遺傳算法和人工神經(jīng)網(wǎng)絡(luò)的方法得以初步解決。具體地說，人工智能學(xué)習(xí)技術(shù)已經(jīng)為各種問題構(gòu)建了通用框架，并取得了長足進(jìn)步，從而產(chǎn)生了跨多個領(lǐng)域的最新技術(shù)。

5G通信網(wǎng)絡(luò)

通信和網(wǎng)絡(luò)技術(shù)的最新進(jìn)展產(chǎn)生了許多新穎的無線服務(wù)，如無人飛行器到智能認(rèn)知網(wǎng)絡(luò)和大型物聯(lián)網(wǎng)系統(tǒng)等。要在無線蜂窩系統(tǒng)的第五代（5G）上實現(xiàn)這些新興應(yīng)用，就需要應(yīng)對與頻譜共享和管理有關(guān)的眾多挑戰(zhàn)。實際上，大多數(shù) 5G應(yīng)用將高度依賴于智能頻譜管理技術(shù)，該技術(shù)應(yīng)適應(yīng)動態(tài)網(wǎng)絡(luò)環(huán)境，同時還可以保證高可靠性和高質(zhì)量的體驗。在這種情況下，包括深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)和強化學(xué)習(xí)等在內(nèi)的人工智能（AI）技術(shù)的使用，可以在由 AI驅(qū)動的頻譜管理方面發(fā)揮非常重要的作用。

AI技術(shù)可以應(yīng)用于各種無線系統(tǒng)或網(wǎng)絡(luò)中的頻譜管理。首先，大數(shù)據(jù)在 5G和物聯(lián)網(wǎng)系統(tǒng)中的廣泛應(yīng)用，可以有效地探索頻譜管理以進(jìn)行網(wǎng)絡(luò)優(yōu)化，從而真正運營自組織的 5G網(wǎng)絡(luò)。通過使用 AI管理，人們可以使無線設(shè)備智能地學(xué)習(xí)其頻譜環(huán)境，從而做出更明智、更主動的頻譜管理決策。其次，認(rèn)知無線電（CR）無疑將成為實現(xiàn)未來智能無線網(wǎng)絡(luò)的關(guān)鍵技術(shù)。在 CR中，具有 AI增強型認(rèn)知科學(xué)和數(shù)據(jù)分析功能的頻譜管理將發(fā)揮重要作用。此外，在 AI輔助頻譜管理的理念的推動下，未來的 CR網(wǎng)絡(luò)可能會通過新功能進(jìn)行升級，例如提供采用智能認(rèn)知，先進(jìn)的無線信號處理，或自適應(yīng)無線資源管理等。同時物聯(lián)網(wǎng)可以說是下一代無線網(wǎng)絡(luò)最重要的應(yīng)用之一。為了實現(xiàn)物聯(lián)網(wǎng)，人工智能輔助頻譜管理將成為關(guān)鍵的基本技術(shù)，可智能地協(xié)調(diào)數(shù)量緊張的頻譜資源，智能地緩解干擾以及處理異構(gòu)信息。此外，未來的無人機網(wǎng)絡(luò)有望在沒有基礎(chǔ)設(shè)施覆蓋的情況下，為無線設(shè)備提供經(jīng)濟高效的無線連接。呈現(xiàn)異構(gòu)和多層結(jié)構(gòu)的現(xiàn)有 UAV網(wǎng)絡(luò)通常需要在地面有不同頻段上運行的 UAV，它們之間才能相互通信。在這些網(wǎng)絡(luò)中，非常需要具有 AI功能的強大頻譜管理技術(shù)。由于不同無人機系統(tǒng)具有各不相同的特點，利用智能管理實現(xiàn)的頻譜移動性和頻譜共享將有可能允許在未來的大型網(wǎng)絡(luò)中實現(xiàn)高速率，低延遲和超可靠的通信。

區(qū)塊鏈技術(shù)

區(qū)塊鏈可能帶來巨大的經(jīng)濟和社會影響。區(qū)塊鏈通過密碼驗證身份和交易并創(chuàng)建不可變記錄的能力，可以增強信任度。人工智能在重復(fù)性任務(wù)中計算機的性能優(yōu)于人類。它的判斷力和智力不受情感、感覺和需求的影響。具有更好的記憶力并可以處理大量信息，因此提高了效率，并可節(jié)省成本和創(chuàng)造新的機會。更為重要的是，人工智能和區(qū)塊鏈具有強大的互補能力，會對行業(yè)和市場的表現(xiàn)產(chǎn)生巨大影響。每一個都具有改善另一個的性能和功能的能力。

結(jié)合兩個技術(shù)生態(tài)系統(tǒng)，可以有效解決人工智能和區(qū)塊鏈的許多缺點。AI 算法依靠數(shù)據(jù)或信息來學(xué)習(xí)，推斷和做出最終決策。當(dāng)從可靠、安全、可信賴和可信的數(shù)據(jù)存儲庫或平臺收集數(shù)據(jù)時，機器學(xué)習(xí)算法會更好地工作。

區(qū)塊鏈充當(dāng)分布式賬本，可以在該賬本上以所有挖掘節(jié)點經(jīng)過加密簽名、驗證和同意的方式存儲和處理數(shù)據(jù)。區(qū)塊鏈數(shù)據(jù)具有高完整性和高彈性存儲，不能被篡改的特性。當(dāng)將智能合約用于機器學(xué)習(xí)算法來制定決策和執(zhí)行分析時，這些決策的結(jié)果將是可信賴的且無可爭議的。人工智能與區(qū)塊鏈的整合可以為人工智能提供收集、存儲和利用的高度敏感的信息，創(chuàng)建安全、不變、分散的系統(tǒng)。此方式可以顯著改進(jìn)，以保護(hù)各個領(lǐng)域（包括醫(yī)療、個人、銀行和金融、交易以及法律數(shù)據(jù)）中的數(shù)據(jù)和信息安全。

如圖 1顯示，人工智能在許多區(qū)塊鏈平臺的使用中獲得好處，這些平臺可以執(zhí)行機器學(xué)習(xí)算法并跟蹤存儲在分布式 P2P存儲系統(tǒng)上的數(shù)據(jù)。這些數(shù)據(jù)通常來自智能連接產(chǎn)品，這些產(chǎn)品包括各種來源，例如物聯(lián)網(wǎng)設(shè)備、群體機器人、智能城市、建筑物和車輛。還可以利用云的功能和服務(wù)進(jìn)行鏈下機器學(xué)習(xí)分析和智能決策以及數(shù)據(jù)可視化。

圖1 AI對新興技術(shù)的影響

腦機接口技術(shù)

腦機接口（BCI）為人們提供了一種無需行動即可傳達(dá)信息的方式。取而代之的是，人們進(jìn)行腦力活動，例如想象運動或計數(shù)，這些活動會產(chǎn)生計算機可以檢測到的特定大腦活動模式。然后計算機向用戶實時提供反饋。

所有 BCI都有 4個組成部分。首先，傳感器必須可以檢測大腦活動。大多數(shù) BCI 通過非侵入性手段來檢測大腦活動，也有一些BCI使用植入的電極可以提供有關(guān)大腦活動的更多詳細(xì)信息。其次，自動信號處理軟件必須識別并區(qū)分反映用戶意圖的大腦活動。第三，外部設(shè)備必須基于信號處理模塊的結(jié)果提供某種反饋。這可能涉及在監(jiān)視器上顯示單詞，移動外骨骼或控制假肢。第四，操作環(huán)境必須控制其他 3個組件之間以及與最終用戶之間的交互方式。

2019 年 7 月 17 日，馬斯克宣布 Neuralink 公司的腦機接口技術(shù)獲得突破性進(jìn)展，與之前的技術(shù)相比，對大腦的損傷更小、傳輸數(shù)據(jù)能力更強。Neuralink公司已經(jīng)用該技術(shù)對動物進(jìn)行了多次手術(shù)，并且成功地放置了“細(xì)微的線”的電路，使機器能被動物的大腦控制，有大約87%的成功率（圖2）。

圖2 腦機接口模型

Neuralink 公司在向柔韌、可擴展的腦機接口發(fā)展方面有重大突破，該接口將通道數(shù)相比之前的數(shù)量增加了一個數(shù)量級。系統(tǒng)包含超細(xì)聚合物探針、神經(jīng)外科手術(shù)機器人、定制的高密度電子設(shè)備3個主要組件。微型定制電子設(shè)備，使人們能夠同時從所有電極流傳輸完整的寬帶電生理數(shù)據(jù)。將該系統(tǒng)打包以用于長期植入，并定制開發(fā)了在線峰值檢測軟件，該軟件可以低延遲檢測動作電位。該系統(tǒng)構(gòu)成了最先進(jìn)且是面向完全植入式人腦-機器接口的平臺。

Nerualink 公司已經(jīng)開發(fā)出定制工藝，所需要的最小神經(jīng)探針由多種生物相容性薄膜材料制作。聚酰亞胺主要組成了這些探針中使用的主要基板和電介質(zhì)，其中封裝金薄膜跡線。每個薄膜陣列均由“傳感器”區(qū)域和具有電極接觸和走線特征的“螺紋”區(qū)域組成，在該區(qū)域中，可進(jìn)行信號放大和采集的定制芯片與薄膜相接。

AI芯片

機器學(xué)習(xí)算法在許多應(yīng)用中都取得了重大進(jìn)步。但是，它們在最新平臺上的硬件實現(xiàn)仍然面臨一些挑戰(zhàn)，并受到各種因素的限制，例如內(nèi)存容量、內(nèi)存帶寬和互連開銷等，所以開發(fā)專為人工智能優(yōu)化的芯片，對人工智能的發(fā)展和應(yīng)用十分重要。

有兩種通用方法開發(fā)通用人工智能：面向計算機科學(xué)和面向神經(jīng)科學(xué)。由于它們的編碼方案和表達(dá)方式存在根本性不同，因此這兩種方法依賴于不兼容且截然不同的平臺，從而減慢了人工智能的發(fā)展。人們非常希望有一個通用平臺來支持受神經(jīng)科學(xué)啟發(fā)的模型和算法和流行的基于計算機科學(xué)的人工神經(jīng)網(wǎng)絡(luò)。

2019年，新型人工智能芯片“天機芯”（Tianjic）由清華大學(xué)類腦計算研究中心施路平團隊研發(fā)成功?！疤鞕C芯”集成了這兩種方法以提供一個協(xié)同、混合的平臺，是世界首款異構(gòu)融合類腦芯片，具有速度快、性能強、功耗低等特點。該芯片采用了多核架構(gòu)，具有混合編碼方案的流線型數(shù)據(jù)流和可重新配置的構(gòu)建塊，不僅可以輕松實現(xiàn)靈感來自大腦的電路和多種編碼方案，還可以適應(yīng)基于計算機科學(xué)的機器學(xué)習(xí)算法。同時該芯片是一個專用平臺，可支持當(dāng)今橫跨神經(jīng)科學(xué)和計算機科學(xué)領(lǐng)域的大多數(shù)神經(jīng)網(wǎng)絡(luò)模型，這些模型通常使用不同的方式來表示信息。通過重新審查計算機科學(xué)領(lǐng)域（例如MLP、CNN、RNN）使用最廣泛的神經(jīng)網(wǎng)絡(luò)模型和神經(jīng)科學(xué)領(lǐng)域（例如 SNN、基于速率的生物啟發(fā)式神經(jīng)網(wǎng)絡(luò)等），以此為基礎(chǔ)提出了一個統(tǒng)一的表示，以使模型的實現(xiàn)與軸突、突觸、樹突、軀干和路由器隔間保持一致，確定了 SNN 和 ANN 神經(jīng)元之間的相同點和不同點，并根據(jù)它們各自的功能將操作和轉(zhuǎn)換安排到這些區(qū)室中。通過對齊數(shù)據(jù)流，芯片可以在單個或混合范例中靈活地實現(xiàn)各種模型。實驗中演示的無人自行車系統(tǒng)中多種模型和算法的同步處理僅使用了一塊芯片，實現(xiàn)了實時目標(biāo)檢測、跟隨、語音控制、躲避障礙和控制平衡（圖 3）。未來，隨著“天機芯”的發(fā)展，可以為人工通用智能的研究提供更高效、迅速、靈動的計算平臺，還可用于其他領(lǐng)域的應(yīng)用開發(fā)，促進(jìn)人工通用智能研究，并賦能到其他行業(yè)。

圖3 “天機芯”自行車

AI教育

人工智能在教育領(lǐng)域的應(yīng)用十分重要。從機器人教學(xué)到開發(fā)用于答卷評估的自動化系統(tǒng)，人工智能始終為老師和學(xué)生提供幫助。研究表明，AI是所有啟用NLP的智能導(dǎo)師系統(tǒng)的核心。這些系統(tǒng)有助于培養(yǎng)諸如自我反思、回答深層問題、解決問題矛盾、產(chǎn)生創(chuàng)造性問題以及做出選擇等。

人工智能可以使學(xué)校和教師的重復(fù)性工作極大地簡化，幫助教育工作者進(jìn)行考試評分、評估功課并為學(xué)生提供反饋意見。隨著AI教育的逐步成熟，可以使用AI 技術(shù)來自動化測試多種評分任務(wù)。這意味著教師將有更多的時間陪伴學(xué)生，而不是花費大量的時間為他們評分；人工智能可以針對每個學(xué)生，生成適合該學(xué)生的學(xué)習(xí)內(nèi)容，定制化教科書，幫助學(xué)生盡可能地發(fā)揮自己的潛能。同時,AI 教育打破了地域的界限，學(xué)生可以在任何地方任何時間，學(xué)習(xí)自己感興趣的任何課程。

國外已相繼研發(fā)出諸多智能教育系統(tǒng)。例如，美國匹茲堡大學(xué) Brusilovsky針對學(xué)生的興趣愛好、學(xué)習(xí)經(jīng)歷和知識量的多少進(jìn)行用戶建模，為滿足學(xué)習(xí)者與系統(tǒng)交互過程中的個性化學(xué)習(xí)需求,相繼開發(fā)了 ELM-ART、InterBook、KnowledgeSea、AnnotatEd、TaskSieve 等智能學(xué)習(xí)系統(tǒng)，后來的許多研究成果都是在其基礎(chǔ)上進(jìn)行改進(jìn)和補充的。澳大利亞墨爾本皇家理工大學(xué)Wolf、希臘雅典大學(xué)Papanikolaou、荷蘭愛因霍芬科技大學(xué) DeBra 等也分別研發(fā)了INSPIRE、AHA!、iWeaver等個性化教育系統(tǒng)。

國外研發(fā)的多款產(chǎn)品已成功應(yīng)用于個性化教育的教學(xué)實踐中，并取得了一定的成效。以DreamBox Learning 的側(cè)重個性化學(xué)習(xí)診斷為例，其作為一個在線學(xué)習(xí)平臺，可以自動適應(yīng)用戶學(xué)習(xí)進(jìn)度，通過分析每個學(xué)生的學(xué)習(xí)過程，提供數(shù)學(xué)化理解能力評估，然后以最適合學(xué)生的方式去提示和鼓勵學(xué)生向正確的方向?qū)W習(xí)。普渡大學(xué)的跟蹤數(shù)據(jù)表明，DreamBox Learning 有效提高了學(xué)生的整體成績。

人臉識別

人工智能技術(shù)在近期的快速發(fā)展，特別是電子技術(shù)和計算機科學(xué)的發(fā)展，首次有可能廣泛地部署生物識別系統(tǒng)。如今，它們存在于邊界訪問控制、監(jiān)視、智能手機身份驗證、取證和在線服務(wù)（例如電子學(xué)習(xí)和電子商務(wù)）等大量場景中。

在所有現(xiàn)有的生物特征中，目前最廣泛的特征之一就是人臉識別。自 20世紀(jì) 60年代以來，人們就一直在研究將人臉識別為一種識別手段，隨著計算機視覺的發(fā)展，它在 20世紀(jì) 90年代有了特殊的意義。人臉生物識別的特點是能在一定距離內(nèi)非侵入式信息采集、人臉的良好識別特性以執(zhí)行身份識別。

近期很多場景都會廣泛地應(yīng)用人臉識別技術(shù)，同時對人臉識別的欺騙也層出不窮，通常可以通過向傳感器（例如照相機）呈現(xiàn)目標(biāo)人員的照片、視頻或 3D 蒙版來欺騙人臉識別系統(tǒng)。由于面部表情（例如社交媒體、視頻監(jiān)控）的暴露程度高，以及高分辨率數(shù)碼相機、打印機或數(shù)字屏幕的價格低廉，使用照片和視頻是最常見的攻擊類型。

人臉識別系統(tǒng)試圖區(qū)分真實用戶，而不是確定提供給傳感器的生物特征樣本是真實的還是假的。人臉識別技術(shù)通常被認(rèn)為是能夠自動區(qū)分呈現(xiàn)給傳感器的真實生物特征和人工合成偽像的技術(shù)。為了創(chuàng)建防攻擊的面部識別系統(tǒng)，必須選擇適當(dāng)?shù)谋鎰e人臉偽造技術(shù)。之后，辨別人臉偽造技術(shù)與人臉識別系統(tǒng)的集成可以在不同級別進(jìn)行融合，即得分級別或決策級別融合。

第一種可能性是使用評分級別融合，這是一種流行的方法，因為它簡單易行，并且在多模式生物識別系統(tǒng)融合中獲得了良好的效果。在這種情況下，生物特征數(shù)據(jù)會同時輸入到面部識別系統(tǒng)和辨別人臉偽造系統(tǒng)中，并且每個數(shù)據(jù)都會計算自己的得分。然后，來自每個系統(tǒng)的分?jǐn)?shù)將合并為一個新的最終分?jǐn)?shù)，用于確定樣本是否來自真正的用戶。這種方法的主要優(yōu)點是它的結(jié)果反饋迅速，因為這兩個模塊同時執(zhí)行其操作。這個事實可以在具有良好并行計算規(guī)范的系統(tǒng)中使用，例如具有多核/多線程處理器的系統(tǒng)。

結(jié)合辨別人臉偽造技術(shù)和人臉識別系統(tǒng)的另一種常見方法是串行方案，在該方案中，辨別人臉偽造系統(tǒng)首先做出決定，并且只有在確定樣本來自活人的情況下，才由樣本進(jìn)行處理。由于這種決策級融合，面部識別系統(tǒng)將搜索與生物特征樣本相對應(yīng)的身份，從而事先知道該樣本并非來自演示攻擊。其次，在串行方案中，嘗試訪問的平均時間將更長，辨別人臉偽造模塊和面部識別模塊的連續(xù)延遲。但是，這種方法避免了在偽造攻擊下人臉識別系統(tǒng)的額外工作，因為計算將在早期階段結(jié)束。

攻擊者可以使用許多沒有限制的欺騙，每種欺騙都有不同的性質(zhì)。因此，重要的是收集具有新方案的新數(shù)據(jù)庫，以便開發(fā)更有效的辨別人臉偽造的算法。否則，將很難提高面部識別系統(tǒng)的安全性。

軍事智能化

在過去的 10 年中，研究人員在人工智能（AI）和相關(guān)技術(shù)（例如量子計算、大數(shù)據(jù)、物聯(lián)網(wǎng)、小型化以及機器人技術(shù)和自主性）的發(fā)展中取得了重要發(fā)展。例如，2014年，設(shè)計世界上最好的圍棋程序（AlphaGo）的 AI專家預(yù)測，要擊敗人類圍棋冠軍還要再過 10年。但 Google的 DeepMind僅在 1年后就實現(xiàn)了這一技術(shù)壯舉。

推動這一發(fā)展的關(guān)鍵因素包括：（1）計算性能呈指數(shù)增長；（2）擴展的數(shù)據(jù)集；（3）機器學(xué)習(xí)技術(shù)和算法的實現(xiàn)方面的進(jìn)展（尤其是在深度神經(jīng)網(wǎng)絡(luò)領(lǐng)域）；（4）人工智能的商業(yè)興趣和投資迅速增長；（5）至少自第二次世界大戰(zhàn)以來，部分自主系統(tǒng)已用于軍事技術(shù)，但是機器學(xué)習(xí)和人工智能的最新進(jìn)展代表了一個根本性的轉(zhuǎn)折點；（6）人工智能可能給軍事力量帶來根本性的變化，其意義在于重新調(diào)整力量平衡；（7）特別是各個國家之間的地緣政治競爭。各國將不可避免地受到開發(fā) AI能力競賽的影響。世界各國領(lǐng)導(dǎo)人已迅速認(rèn)識到人工智能具有變革性的潛力，并相信其在未來會成為國家安全的重要組成部分。

在 2016年，美國國防部就發(fā)布了“國家人工智能研究與發(fā)展戰(zhàn)略計劃”，這是有關(guān) AI機器學(xué)習(xí)的一系列研究之一，內(nèi)容涉及 AI 振興美國軍事主導(dǎo)地位的潛力。美國國防部副部長羅伯特·沃克表示：“我們無法證明這一點，但我們認(rèn)為我們正處于AI和自主性的拐點處?！泵绹鴩啦窟€建立了國防部創(chuàng)新實驗組，以促進(jìn)五角大樓和硅谷之間的緊密合作。軍事力量帶來根本性的改變可能就來自人工智能，繼續(xù)發(fā)展一系列軍事用途的人工智能技術(shù)，為尋求成為“科學(xué)技術(shù)超級大國”打下良好基礎(chǔ)，以期發(fā)掘美國在軍事上的脆弱性。俄羅斯已準(zhǔn)備在2025年將其全部軍事力量的30％替換成機器人。總而言之，國家級的目標(biāo)和計劃證明了全球各國對人工智能對國家安全和戰(zhàn)略演算的變革性（或軍事技術(shù)革命）潛力的認(rèn)可。

美軍 DARPA在軍事智能化方向大力投入，從終身學(xué)習(xí)項目（L2M）項目、“指南針”項目、KAIROS項目等，到近期發(fā)展的“可解釋的人工智能”（XAI）項目、“不同來源主動詮釋”（AIDA）項目、“確保 AI抗欺騙可靠性”（GARD）項目，這些都是在軍事領(lǐng)域的人工智能的應(yīng)用性研究。其中“可解釋人工智能”旨在開發(fā)出革命性的機器學(xué)習(xí)技術(shù)，希望可以形成一套理論架構(gòu)，能夠解釋人工智能得出的結(jié)論（圖 4）?？山忉尩臋C器學(xué)習(xí)系統(tǒng)將具有表征其優(yōu)缺點的能力，解釋其原理，并能夠表達(dá)對它們未來行為的理解。實現(xiàn)該目標(biāo)的方法是改進(jìn)或開發(fā)新的機器學(xué)習(xí)技術(shù)，以產(chǎn)生更多可解釋的模型。這些模型將結(jié)合最先進(jìn)的人機界面技術(shù)，將模型轉(zhuǎn)換為有效的、用戶可以理解解釋的對話框。策略是采用各種技術(shù)，以生成一系列方案，這些方案將為未來的開發(fā)人員提供一系列包括可解釋性交易空間與性能并重的設(shè)計選項。

圖4 可解釋人工智能模型

人工智能正在廣泛的與各個領(lǐng)域相結(jié)合，促進(jìn)各個領(lǐng)域朝著智能化方向發(fā)展。希望能合理利用人工智能，使人們在生活的各個方面享受到人工智能帶來的便利。通過對人工智能技術(shù)的不斷完善，營造更美好的智能世界。