文　戴琼海

人类社会的发展就是不断发现、理解与创造的过程。原始社会利用工具解决生活问题，发现现象并理解现象背后的规律，进而改造甚至创造这个世界，这就是人类社会发展的脉络。

1946年至今不到百年，计算机的发展为人类带来了巨大的价值。

人工智能参与理解与改造世界

人工智能时代出现了3位深度学习的奠基人，也是2019年的图灵奖获得者。第一是Geoffrey Hinton（杰弗里·辛顿），反向传播算法的代表人物；第二是Yann LeCun（杨立昆），卷积神经网络的代表人物；第三是Yoshua Bengio（约书亚·本吉奥），序列概率模型的代表人物。

那么人工智能将如何参与理解和改造世界？王恩东院士曾有一问，人类怎么预测蛋白质的作用？诸如此类的复杂问题，靠人类的预测是无法做到的。以深度学习为代表的人工智能推动了例如科技、医疗、电子、金融等行业的快速发展，正如习近平总书记说的，人工智能具有赋能作用很强的头雁效应。

同时，我们更应看到人工智能的局限性。

其一，自动驾驶领域中人工智能的相关应用，已经凸显了其在鲁棒性、迁移性及能效比等方面的问题；

其二，在医疗领域中的应用凸显了人工智能算法自适应能力的局限，清华大学跟301医院合作，用20万条男性50岁的脑卒数据做训练，但在做预测时发现对女性脑卒疾病的预测准确度并不高；

其三，人工智能可解决一定的问题，但其工作原理还没有明确的可解释性。

还有一个经典案例——莫拉维克悖论。这台波士顿动力的机器人能翻跟头、跳舞和干很多复杂的事，但让它把一个物体放到有障碍物的桌子上去，它做不到，这就是人工智能的问题所在——难以理解场景与对象间的关系，人工智能能干成年人干的活，但理解能力不如一岁的孩子。

新一代人工智能发展与脑科学

由此可见，人工智能还有很多瓶颈问题要解决。怎么解决呢？就需要追根溯源。我们发现，深度网络的发展很大程度上受到了脑科学的启发，仅仅是视觉听觉部分脑功能的发现，就极大推进了人工智能的发展。如果有机会了解全脑，那会为人工智能带来多大的变化？

我们来看深度学习和人类视觉的不同：生物视觉是宏观和微观回环交互的。比如画画首先画轮廓，再画细节；人眼看东西也是，先看全场景，再聚焦某个小场景、某个小目标，是一个回环交互的过程，即高级视觉的抽象和初级视觉的边缘检测存在回环交互。但计算机视觉只能从微观到宏观，不能从宏观到微观，这就是人工智能的困惑。举个例子，一头熊照片的碎片，人眼看到一点点边缘时，就知道这是一头熊；而人工智能缺乏宏观与微观的交互，只能通过不断地学习才知道是一头熊。

可见，对场景当中复杂关系的理解，是人工智能非常重要的部分。以前的人工智能针对小场景、少对象、简单关系，用微观图像训练一个模型，设计一个算法，让它去理解大场景的时候就无能为力了。未来的人工智能应该具备对大场景、多对象、复杂关系的精准理解，这样才能够弥补现有人工智能的不足和发展。

脑科学与新一代人工智能发展

脑科学研究人类如何思考，图灵奖关注的是机器如何思考，这是两条平行线。人工智能专家往往将脑科学的部分现象和模型应用到人工智能里面去。这就给了我们一个启发：能不能在脑科学和人工智能之间架起一座桥梁，这座桥梁就是认知计算。支撑这座桥梁的两个桥墩，是多模态回路观测及多层次认知模型。通过解决微观、宏观的回环交互问题，来创造新一代人工智能。

该怎样去做这些研究呢？通过观测可以看到，小鼠有亿级的神经元，恒河猴有百亿级的神经元，人类有千亿级的神经元，神经元的多少代表了聪明的程度。斑马鱼只有80万～100万个神经元，它就可以工作。麻省理工学院（MIT）去年研究构建了一款只有18个神经元的机器人，它就能够实现自动驾驶。

2016年美国高级情报研究计划署（IARPA）做了MICrONS项目，称为“阿波罗脑计划”，花费1亿美元，研究1立方毫米大脑皮层10万个神经元是怎么连接的，参与项目的有美国卡耐基·梅隆大学（CMU）的Tai Sing Lee、哈佛大学的David Cox、贝勒医学院的教授，这是个交叉的大项目。前两位科学家都来过清华，专门讨论10万个神经元活动到底怎么构建，讨论神经元活动连接和机器学习算法如何建立关系。

清华开发了多维多尺度高分辨光学显微成像系统（RUSH-II）来观察小鼠、大鼠全脑神经元的连接和它行为的变化。这是世界上最大视场、数据通量最高的高分辨光学显微镜，视场大小是1平方厘米，分辨率达到0.4微米，就是400纳米，意味着不仅是神经元，用来在神经元之间传递信息的轴突和树突的连接都可以看清楚。目前正在观测猕猴的全脑神经元活动，这是更接近人类的灵长类动物。现在我们正在开展新的工作，将脑机和观测仪器相结合，不但看神经元连接，还要看放电过程，这样能够揭示意识是如何转移的。

新一代人工智能按照这样的路径，不仅要做微观观测，还要做宏观观测。将CT核磁共振、全脑高分辨率光学观测、多模态观测结合起来，才能理解神经元之间传递了什么信息。我们也在跟数学家讨论，并构建新型的网络模型，包含了记忆环路、生物机制、物理的熵平衡原理，来推导新型的神经网络模型。我们需要考虑生物化学机制的发觉，数学物理机制的约束，短期记忆、长期记忆的过程，新一代神经网络推理的自增强等很多方面，这是我们从脑科学到人工智能做的事情。

大场景多对象智能理解

人工智能能够拓展人类发现、理解与创造的能力。人眼的感知能力会受到空间、时间、波长等多个维度的限制。人工智能可以具备超越人类的感知能力，利用仿生光学复现鹰眼、猫眼、果蝇等的感知能力；同时大量的信息凸显了人类自身的处理能力不足，必须交给机器来继续感知。

人眼感知视觉的像素数不到6亿，但是机器视觉可以达10亿甚至百亿像素，感知能力更强，带来丰富的信息。对大场景范围中多动态目标之间复杂关系的理解，就需要构建新一代人工智能模型，让它看得全、看得清、看得准，要做一个大场景多对象数据平台。但宽视场和高分辨的矛盾难以解决，这是物理上面临的挑战。因此我们提出了非结构化的概念和原型系统，很多相机长得不一样，可以自调整，鲁棒性非常高。以此为基础构建数据平台，是10亿像素的大场景多对象数据视频平台PANDA，假设这是清华主楼门口，非常多的人群在迈步走，我们可以对这些对象实时识别和理解；再假设这是马拉松比赛中的万人人脸识别，就是如何处理和解决大场景、多对象、复杂关系。目前在CVPR、ICCV还有2021全球人工智能技术大会上做了数据的公开并且比赛，有6000多支队伍参加了这场比赛。刚才我还跟王恩东院士讨论，我们是不是可以建一个大的数据平台，来解决复杂场景中复杂关系的理解问题。

从感知智能怎样走向认知智能，第一个要解决模型问题，第二个要解决数据问题。认知智能能够促进大范围动态场景时空关联建模分析，支撑数字城市构建与理解，可以构建物理世界的孪生数字城市。目前我们正在杭州开展工作，做一个数字孪生的城市形态，希望为智慧城市作出贡献。

总之，我们要从脑科学出发，来构建新一代人工智能的理论、方法和技术，同时构建一个大的数据平台来验证理论和模型的可行性。在未来，新一代人工智能需要大场景、多对象的数据平台，大到能够从物理城市构建孪生的数字城市，最后构建智慧城市，这样一来，我们新一代的人工智能理论、模型和算法就初具雏形了。

（内容来源于戴琼海院士在2021人工智能计算大会上的主题演讲）

专家简介

戴琼海，1964年出生，自动控制学家，上海市人。现任清华大学教授。长期致力于立体视觉、计算摄像学和人工智能等领域的基础理论和关键技术创新，近年来主要从事国际交叉前沿——脑科学与新一代人工智能理论的研究，包括多维多尺度计算摄像仪器、光电认知计算的理论架构、算法与芯片等。主持承担原“973”项目、国家自然科学基金重大仪器项目等国家级重大科研项目，以第一完成人在立体视频重建与显示、新一代立体视觉理论与关键技术等方面获得突破性成果，分别在2016年度获国家科技进步奖二等奖、2012年度获国家技术发明奖一等奖和2008年度获国家技术发明奖二等奖。被中共北京市委、市政府授予2017—2018年度“首都精神文明建设奖”。