究极体的人工智能应该是啥样？
人们对于这个问题的答案更多是在科幻电影中，比如说“瞬时翻译”，当不同国家的人聚在一起的时候，再也没有语言的隔阂，因为语言也不再去学习，当一个语言从口里说出来的时候，就已经瞬时在另外一个人的大脑中转换成了他的母语；比如还有“真无人驾驶”，它没有方向盘，完全由智能电脑代替人类开车，人类乘客只需要通过语音说出要去哪里，它就会自己规划好路径，完全自动驾驶，在路途上也绝对不会发生任何交通事故；比如还有很多“有思想的机器人”，他们有自己认知能力，有学习能力甚至有自己的思想可以自我成长。
尽管人类在让智能代替人工的道路上已经很努力了，但现实中的人工智能并非如此“万能”。最知名的人工智能莫过于Google旗下的AlphaGo，其通过深度学习的技术在被“喂养”了大量的结构化的数据前提下，战胜了人类冠军选手。
但这样的人工智能仍然面临的一个数据“困境”。也就是说，如果一个产业，或者是换做另外一个场景，正好缺乏了大量的结构化的数据，那本身这种方式的人工智能也不复存在。在当下很多公司谈的人工智能商业化落地场景中，从智慧产业到智慧交通，从个性化推荐到智慧零售，无疑都是在通过标准化和结构化的数据体现人工智能。
但，那些非标的数据场景怎么办？
在接受品玩采访时，元知科技集团联席总裁崔兴龙称，人工智能已经将表层效率解决完，它开始往下走，继续渗透到社会的深层效率，解决比如说地产、房产、汽车、医疗、家具、教育、金融、法律等等更深层更非标的大宗的领域。
人工智能的过去在解决什么问题？
想要了解清楚这个问题，有必要科普一下人工智能过去的发展。
简单来说，人工智能的任务，就是通过机器来模拟大脑的功能或者利用机器来模仿人类的智能行为。一定程度上这也决定了人工智能的发展和脑科学与心理学密切相关。
1956年夏，麦卡锡、明斯基等科学家在美国达特茅斯学院开会研讨“如何用机器模拟人的智能”，首次提出“人工智能（Artificial Intelligence，简称AI）”这一概念，标志着人工智能学科的诞生。
从1956年发展至今，从学习大脑到发展人工智能，更广义的阶段包括两个。
第一个阶段是符号主义，它的理论基础来自于认知心理学。他们认为“符号”是人类认知的基本单元，认知就是对“符号”的操作。依据这种理论可以建立人类理性行为的模型，通常又叫做“知识驱动的人工智能方法”。
这个阶段典型的应用就是专家系统，专家系统方法通过构建大量的判别规则来进行问题的推断。而判断规则则需要“录入”庞大的人类知识库，瓶颈是无法让机器自动学习。
第二个阶段则是连接主义，它的理论基础来自于神经科学。他们认为建立在神经网络基础上的亚符号处理是人类智能行为的基础，依据这个理论可以模拟人类感性行为（感觉、情感与直觉等），通常又称为数据驱动的人工智能方法。
数据驱动的人工智能方法基于概论统计加机器学习，重点研究则是从“推理”为重点到“知识”，然后到现在的“学习”。
只不过，如今算力已经不再是瓶颈，而随着移动互联网产生了大量数据，在特定领域的“学习”其实更依赖更多标记数据集。
图源：点金大数据
在崔兴龙看来，过去几波人工智能技术的爆发本质上应该同属一类。AI本身的诞生，依赖于大量的数据的产生，而数据本身，其实需要一个相对清晰的和完整的数据标记集。
他解释称，最早的神经网络可以追溯到1962年Hubel和Wiesel的文章，在那篇文章中已经出现了多层的神经网络，包括卷积、池化等后来在神经网络中非常重要的概念也已经出现，但是囿于时代的限制，这一成果没有让更多人注意到。而后来在1980年前后，Kunihiko Fukushima提出的一种分层多层人工神经网络，可以用于日语手写字符识别和其他模式识别任务，这也成为了卷积神经网络（CNN）的灵感来源。
而在上世纪末，LeCun提出的LeNet让计算机视觉的准确率大幅度提升，计算机视觉逐渐得到越来越多的关注。而CNN也在那之后逐渐被证明可以有效的处理各种计算机视觉和自然语言处理的问题，因此得到了广泛的使用。
步入2010之后，人工智能的大数据时代悄然降临，标志性的事件有两个。其一是李飞飞和她的ImageNet，超过150万的训练样本和1000个不同分类，使得大家用来训练的样本量足够大。其二是GPU的大量普及，使得计算机的算力有了极大的提升。
随之而来的是人工智能辉煌的十年，2015年何凯明提出的Resnet横空出世，再一次提升了AI的准确性和效率；2016年AlphaGo击败李世石，在围棋这个项目中终于击败了最强的人类选手。
但“今天的AI更像工程学的方法，更像计算工程了”，他补充说。
尽管过去十年，随着移动互联网的成熟，科学家能获取和处理的数据量越来越大，这促进了人工智能的极大发展，ResNet/Gan/DenseNet等优秀的想法喷涌而出，但是这些众多优秀的办法并没有从底层逻辑上改变人工智能的本质。
“以前的更多的是拼模型，拼算法，后来的今天变成了拼算力，拼数据集，拼谁更有钱，谁更能掌握生态场景。”
这一定程度上也解释了如今人工智能为什么会大量的进入垂直领域，因为只有进入垂直领域才能获得更多的数据，有了数据才能去尝试去解决场景中的问题。
这也导致了人工智能的另一个局限性，目前的人工智能只能解决完全信息和结构化环境下的确定性问题，如语音识别、图像识别、下围棋（完全信息博弈）等，与人类大脑所表现出来的随机应变和举一反三的能力相去甚远。
而尤其是当面对到非结构化的行业时，人工智能应该如何进一步发展？
脑神经科学启发AI？
中国人工智能专家、中国科学院张钹院士认为，这两代人工智能理论上都存在着严重的缺陷，不能成为人类智能行为的完备理论与模型。因为符号主义存在“符号根基”问题（the symbol grounding problem），它只能用来模拟人类的理性行为，不能用来模拟人类的感性行为和与周围环境的交互。连接主义在模拟感性行为方面取得一些进展，但是它不能提升到理性的高度，因此存在着不安全、不可信、不可靠和不易推广等缺陷。
他也提出，人工智能在过去十年的辉煌是因为数据收集和处理量的极速增长，而非算法本身的突破。
在人工智能人实现的多条路径中，符号主义和行为主义遇到了瓶颈，而连接主义尝试模拟大脑神经网络，于是借鉴人脑成了新的尝试方向。
方向即是第三代的人工智能，建立可解释和鲁棒的人工智能理论和方法，发展安全、可信、可靠和可扩展的人工智能技术。
但人工智能的基础理论之所以迟迟未能建立，是因为人脑是一个非常复杂的系统，搞清楚人脑怎么工作其实是非常困难的事情。
“从我们的角度，我们更认为这是一个趋势或者一个突破的可能性。”崔兴龙称。
他认为，人工智能的几个发展阶段决定了未来想要在底层效率上有所提升，就必须与脑神经科学相结合。
他解释称，脑神经科学和人工智能的结合从最早Hubel和Wiesel的文章就开始了。Hubel和Wiesel在20世纪50年代到20世纪60年代的研究发现，猫和猴子的视觉皮层中包含着能分别对某一小块视觉区域进行回应的神经元。当眼睛不动的时候，在一定区域内的视觉刺激能使单个神经元兴奋，那这个区域就称为这个神经元的感受范围。相邻的细胞具有相似且重叠的感受范围。
为了形成一张完整的视觉图像，整个视觉皮层上的神经元的感受范围的大小和位置呈现系统性的变化。左脑和右脑分别对应其对侧的视野。他们在其1968年的一篇论文中确定了大脑中有两种不同的基本视觉细胞：简单细胞和复杂细胞。Hubel和Wiesel还提出了这两种细胞用于模式识别任务的级联模型。“这是从这里开始，才有了人工智能后续的一系列故事。”
崔兴龙举例本届智源大会上Jeff Hawkins发表的题为“The Thousand Brains Theory - A roadmap for creating machine intelligence”的演讲。计算机即得到输入数据，对输入信息进行一系列处理，然后再输出信息。然而，Jeff认为这并不是大脑真正的工作方式。在他看来，大脑皮层是一种建模器官，它会学习关于世界的模型。我们所知晓的一切关于物体的形状、触觉、颜色、温度、声音，以及我们与物体的交互都会被存储在该模型中。该模型还会囊括物体的位置信息，知晓我们与物体交互后物体会产生的变化，成千上万的物体、单词、概念会被存储于位于我们大脑的神经元的模型中。
简而言之，在Jeff Hawkins看来，想要最迅速地创造真正的智能机器，也需要理解人类大脑是如何工作的。而人类对于人脑的研究还不够。
崔兴龙则认为，今天很多AI的算法也好，各种各样的深度神经网络也好，其实都对数据有一些损益或者消噪的方法，更多的时候也是一个趋近值，它并不是一个完整可言中的数据模式。
就如同Hawkins提出的千脑理论，通过脑科学的维度，大家的抽象和理解的方式会附着在AI的方式中，找到新的算法和可能性。
具体应用场景到底有哪些？
在崔兴龙看来，目前人工智能中运用了一系列脑神经科学的原理，包括cortical minicolumn、兴奋抑制平衡、动态网络连接、Top down processing、Grid Cells和Dale Principle。
因为脑科学技术本身就属于一个极为复杂的交叉性学科，所以目前也更多的聚焦在基础理论探索阶段。
在利用脑科学基础理论方向上，风口最盛的脑科学技术应该算是脑机接口，马斯克的Neuralink公司已经高调地向全世界宣布能够让一只猕猴通过大脑活动来控制计算机。在医疗领域还有脑起搏器治疗帕金森，清华大学航天航空学院院长、神经调控技术国家工程实验室主任、清华大学医工交叉研究院院长李路明介绍过“脑起搏器”的研究和应用成果——将两根1.2毫米电极植入大脑深处，连接着挂在胸前的脉冲发生器，通过用电刺激调控大脑，来刺激大脑的丘脑底核，用于治疗帕金森症。
崔兴龙称，人脑在看到恐怖、讨厌，或者喜欢的东西的时候反应也是不一样的。大脑所呈现的反射区域跟脑波不同，这个时候就产生了很多有价值的数据和模型。所以在可穿戴教育上也存在一些机会，比如利用脑波信号检测疲劳，注意力分散等多种应用。
目前元知科技的一大研究重点，正是脑科学和AI的结合。但本身确实比较另类。
崔兴龙个人更倾向于让脑科学中的核心算法和逻辑去被AI所学习，然后通过AI辅助脑去做数据上的测算，他认为“这是比较高级的一种方式”。
崔兴龙在WAIC上演讲元知科技供图
这或许和元知科技的投资体系存在一定关系，它其实是一家“以生态整合科技资源，以投资拉动生态资源”的公司。
元知科技集团的布局非常广，包括智慧医疗、智慧营销、智慧交易、智慧法律等多类AI相关业务。过去二十几年，投资包括了中国第一条高速光缆，还有商汤、360以及平安科技等，前一段时间还刚刚投资广汽汽车，并推出了合创汽车。之所以实现了这么广泛的布局，是因为元知科技集团背后的更大股东，其实是珠江投资。
可以理解为，珠江投资有意将过去二十几年投资的公司和元知科技的技术结合在一起，让科技撬动时代，所以它就成了一家自带技术和场景的公司。
这对于深入了解非标的数据提供了线下基础。
崔兴龙称，人工智能要解决社会深层效率，就必要往下走，深入到服务商，而元知背后的地产、房产、汽车、医疗、教育、金融等等更深层更非标的大宗场景结合脑科学+人工智能技术大有可为。
在元知科技的研究体系中，上研院主要在做无人驾驶和通用机器人这块的研究。而北研院通过行为尺度观测、脑尺度观测，在做行为线上线下的动态分析决策，能够为用户洞察和品牌媒介提供一些超级心智的营销。两者都植入了一些脑科学技术的思路。
“我们的应用其实也算是做营销方面的一些尝试。”崔兴龙称。
他认为，人都有一个决策判断的机制，而我们所谓的认知科学中其实跟大脑的行为神经生物系统是正相关的，“因为神经行为生物系统学研究的本身就是人类如何思考、记忆、存储和决策的逻辑。”
人工智能正在从感知科学过渡到认知科学，而通过人的行为——比如一些人过马路的时候向这边走还是向那边走？过马路的速度究竟是什么样的？这些人在一个商场中的动线究竟是怎么来的？以更多的基础数据作为填充，将人在环境中动线和行为路径进行分析，是可以研究出不同结论的。“因为这些决策也和你大脑的决策机制正相关。”
而通过更多行为数据对于人心智更详细的分析和描述，AI结合脑科学将在心智营销领域大有可为。
一个案例正是来自于合生汇。合生汇每天会有十几万的数据流（客流量），而在此前只有七八万，元知科技帮助合生汇进行了包括动线改革，色彩重新排列以及区域调整等一系列营销动作，让合生汇从不太知名提升成为了朝阳区域内仅次于SKP商场一样的存在。
“合生汇原来每天设计客流量是1到3万，但现在我们达到了10万”，而“原来一天只有1000万不到的交易额，但是现在已经远远超出了这个数字”，可以看到，在这个场景下，对于用户心智信息的分析，更像是私域流量下用户动线的分析及运营效果的提升，也是一种脑科学的理论。
很多神经网络学术人才都认为，脑神经科学+人工智能，将成为新的复合型学科，也将加速与其他学科领域交叉渗透。尤其是随着超分辨率光学成像、光遗传学调控、透明脑、体细胞克隆等技术的突破，脑与认知科学的发展将深度结合，人工智能将进入生物启发的智能阶段。这个领域的覆盖范围可能比人工智能更广泛。
崔兴龙是一名坚定的脑科学技术信徒。他认为，人工智能和脑神经科学未来结合的机会还有很多，包括脑机、外骨骼、以及机电信号、类脑芯片、脑科学和AI的模拟等。
备注：
