http://wiki.sseuu.com/index.php?action=history&feed=atom&title=%E5%A6%82%E4%BD%95%E8%AF%84%E4%BB%B7%E6%B8%85%E5%8D%8E%E5%A4%A7%E5%AD%A6%E3%80%8C%E5%A4%A9%E6%9C%BA%E8%8A%AF%E3%80%8D%E7%99%BB%E4%B8%8A_Nature_%E5%B0%81%E9%9D%A2%EF%BC%8C%E6%B8%85%E5%8D%8E%E6%96%BD%E8%B7%AF%E5%B9%B3%E5%9B%A2%E9%98%9F%E5%8F%91%E5%B8%83%E5%85%A8%E7%90%83%E9%A6%96%E6%AC%BE%E5%BC%82%E6%9E%84%E8%9E%8D%E5%90%88%E7%B1%BB%E8%84%91%E8%8A%AF%E7%89%87%EF%BC%9F 2026-05-09T13:43:20Z 本wiki的该页面的版本历史 MediaWiki 1.30.0 http://wiki.sseuu.com/index.php?title=%E5%A6%82%E4%BD%95%E8%AF%84%E4%BB%B7%E6%B8%85%E5%8D%8E%E5%A4%A7%E5%AD%A6%E3%80%8C%E5%A4%A9%E6%9C%BA%E8%8A%AF%E3%80%8D%E7%99%BB%E4%B8%8A_Nature_%E5%B0%81%E9%9D%A2%EF%BC%8C%E6%B8%85%E5%8D%8E%E6%96%BD%E8%B7%AF%E5%B9%B3%E5%9B%A2%E9%98%9F%E5%8F%91%E5%B8%83%E5%85%A8%E7%90%83%E9%A6%96%E6%AC%BE%E5%BC%82%E6%9E%84%E8%9E%8D%E5%90%88%E7%B1%BB%E8%84%91%E8%8A%AF%E7%89%87%EF%BC%9F&diff=15403&oldid=prev 2019-08-04T22:43:35Z

<p></p> <table class="diff diff-contentalign-left" data-mw="interface"> <col class="diff-marker" /> <col class="diff-content" /> <col class="diff-marker" /> <col class="diff-content" /> <tr style="vertical-align: top;" lang="zh-CN"> <td colspan="2" style="background-color: white; color:black; text-align: center;">←上一版本</td> <td colspan="2" style="background-color: white; color:black; text-align: center;">2019年8月4日 (日) 22:43的版本</td> </tr><tr><td colspan="2" class="diff-lineno" id="mw-diff-left-l5" >第5行：</td> <td colspan="2" class="diff-lineno">第5行：</td></tr> <tr><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"><div>'''问：'''研究中遇到的最大的挑战是什么？</div></td><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"><div>'''问：'''研究中遇到的最大的挑战是什么？</div></td></tr> <tr><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"></td><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"></td></tr> <tr><td class='diff-marker'>−</td><td style="color:black; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #ffe49c; vertical-align: top; white-space: pre-wrap;"><div>'''[[施路平]]：'''我们是从 2012 <del class="diffchange diffchange-inline">年就开始孕育这项研究，遇到了很多的挑战，但是我们认为，最大挑战不来自于科学、也不来自技术，而是在于学科的分布不利于我们解决这样的一个问题，所以我们认为多学科深度融合是解决这个问题的关键。所以在这项研究当中，我们组成了一个多学科融合的团队，由七个院系组成了一个类脑计算研究中心，覆盖脑科学、计算机、微电子、电子、精仪、自动化、材料等。在这里，特别感谢清华大学校各位领导对跨学科建设的大力支持，这是本项目取得成功的关键。邓磊：在芯片方面，遇到的最大挑战是如何实现深度和高效的融合。我强调两点：第一，是深度和高效。目前比较火的神经网络模型有两类，一类是从计算机科学来的，一类是从脑科学来的。这两种模型的语言有很大不同，它们有不一样的计算原理，有不一样的信号编码方式，也有不一样的应用场景，所以它们所需要的计算架构和存储架构是非常不一样的，哪怕设计的优化目标都是很不一样的，这一点可以从目前我们能看到的一些深度学习加速器，还有一些神经形态芯片，它们基本上设计体系都是独立的。因此可以看出，深度融合并不简单，并不是说设计一个深度学习加速模块、再设计一个神经形态模块、再把它们拼到一起就可以了，这样是行不通的，我们很难确定每部分的比例是多少，因为现实中的应用是复杂多变的，这不是高效的。第二，如果构建一个异构的混合模型，可能还需要在两个模块之间有专门的信号转换单元，这又会有很多额外的成本，所以，如何设计一套芯片架构来兼容这两类模型，而且又可以灵活的配置和具有高性能，这也是我们芯片设计中的挑战。</del></div></td><td class='diff-marker'>+</td><td style="color:black; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>'''[[施路平]]：'''我们是从 2012 <ins class="diffchange diffchange-inline">年就开始孕育这项研究，遇到了很多的挑战，但是我们认为，最大挑战不来自于科学、也不来自技术，而是在于学科的分布不利于我们解决这样的一个问题，所以我们认为多学科深度融合是解决这个问题的关键。所以在这项研究当中，我们组成了一个多学科融合的团队，由七个院系组成了一个类脑计算研究中心，覆盖脑科学、计算机、微电子、电子、精仪、自动化、材料等。在这里，特别感谢清华大学校各位领导对跨学科建设的大力支持，这是本项目取得成功的关键。</ins></div></td></tr> <tr><td colspan="2">&#160;</td><td class='diff-marker'>+</td><td style="color:black; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div>&#160;</div></td></tr> <tr><td colspan="2">&#160;</td><td class='diff-marker'>+</td><td style="color:black; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #a3d3ff; vertical-align: top; white-space: pre-wrap;"><div><ins class="diffchange diffchange-inline">'''[[邓磊]]：'''在芯片方面，遇到的最大挑战是如何实现深度和高效的融合。我强调两点：第一，是深度和高效。目前比较火的神经网络模型有两类，一类是从计算机科学来的，一类是从脑科学来的。这两种模型的语言有很大不同，它们有不一样的计算原理，有不一样的信号编码方式，也有不一样的应用场景，所以它们所需要的计算架构和存储架构是非常不一样的，哪怕设计的优化目标都是很不一样的，这一点可以从目前我们能看到的一些深度学习加速器，还有一些神经形态芯片，它们基本上设计体系都是独立的。因此可以看出，深度融合并不简单，并不是说设计一个深度学习加速模块、再设计一个神经形态模块、再把它们拼到一起就可以了，这样是行不通的，我们很难确定每部分的比例是多少，因为现实中的应用是复杂多变的，这不是高效的。第二，如果构建一个异构的混合模型，可能还需要在两个模块之间有专门的信号转换单元，这又会有很多额外的成本，所以，如何设计一套芯片架构来兼容这两类模型，而且又可以灵活的配置和具有高性能，这也是我们芯片设计中的挑战。</ins></div></td></tr> <tr><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"></td><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"></td></tr> <tr><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"><div>'''问：'''为什么选择无人自行车作为一个切入点？</div></td><td class='diff-marker'>&#160;</td><td style="background-color: #f9f9f9; color: #333333; font-size: 88%; border-style: solid; border-width: 1px 1px 1px 4px; border-radius: 0.33em; border-color: #e6e6e6; vertical-align: top; white-space: pre-wrap;"><div>'''问：'''为什么选择无人自行车作为一个切入点？</div></td></tr> </table>

江南 http://wiki.sseuu.com/index.php?title=%E5%A6%82%E4%BD%95%E8%AF%84%E4%BB%B7%E6%B8%85%E5%8D%8E%E5%A4%A7%E5%AD%A6%E3%80%8C%E5%A4%A9%E6%9C%BA%E8%8A%AF%E3%80%8D%E7%99%BB%E4%B8%8A_Nature_%E5%B0%81%E9%9D%A2%EF%BC%8C%E6%B8%85%E5%8D%8E%E6%96%BD%E8%B7%AF%E5%B9%B3%E5%9B%A2%E9%98%9F%E5%8F%91%E5%B8%83%E5%85%A8%E7%90%83%E9%A6%96%E6%AC%BE%E5%BC%82%E6%9E%84%E8%9E%8D%E5%90%88%E7%B1%BB%E8%84%91%E8%8A%AF%E7%89%87%EF%BC%9F&diff=15397&oldid=prev 2019-08-04T14:31:40Z

<p>创建页面，内容为“{{4}}作者：新智元 来源：[https://www.zhihu.com/question/338081740/answer/771142608 知乎] 对于这项研究中大家比较关心的几个问题，清...”</p> <p><b>新页面</b></p><div>{{4}}作者：新智元 来源：[https://www.zhihu.com/question/338081740/answer/771142608 知乎]<br /> <br /> 对于这项研究中大家比较关心的几个问题，清华大学精密仪器系教授施路平、清华大学精密仪器系副研究员裴京、加州大学圣塔芭芭拉分校博士后邓磊代表研究团队接受了媒体的采访。<br /> <br /> '''问：'''研究中遇到的最大的挑战是什么？<br /> <br /> '''[[施路平]]：'''我们是从 2012 年就开始孕育这项研究，遇到了很多的挑战，但是我们认为，最大挑战不来自于科学、也不来自技术，而是在于学科的分布不利于我们解决这样的一个问题，所以我们认为多学科深度融合是解决这个问题的关键。所以在这项研究当中，我们组成了一个多学科融合的团队，由七个院系组成了一个类脑计算研究中心，覆盖脑科学、计算机、微电子、电子、精仪、自动化、材料等。在这里，特别感谢清华大学校各位领导对跨学科建设的大力支持，这是本项目取得成功的关键。邓磊：在芯片方面，遇到的最大挑战是如何实现深度和高效的融合。我强调两点：第一，是深度和高效。目前比较火的神经网络模型有两类，一类是从计算机科学来的，一类是从脑科学来的。这两种模型的语言有很大不同，它们有不一样的计算原理，有不一样的信号编码方式，也有不一样的应用场景，所以它们所需要的计算架构和存储架构是非常不一样的，哪怕设计的优化目标都是很不一样的，这一点可以从目前我们能看到的一些深度学习加速器，还有一些神经形态芯片，它们基本上设计体系都是独立的。因此可以看出，深度融合并不简单，并不是说设计一个深度学习加速模块、再设计一个神经形态模块、再把它们拼到一起就可以了，这样是行不通的，我们很难确定每部分的比例是多少，因为现实中的应用是复杂多变的，这不是高效的。第二，如果构建一个异构的混合模型，可能还需要在两个模块之间有专门的信号转换单元，这又会有很多额外的成本，所以，如何设计一套芯片架构来兼容这两类模型，而且又可以灵活的配置和具有高性能，这也是我们芯片设计中的挑战。<br /> <br /> '''问：'''为什么选择无人自行车作为一个切入点？<br /> <br /> '''[[施路平]]：'''自行车是为我们芯片服务的。当时我们经过了反复的深入讨论，确定要开发一款什么样的应用平台来展示我们这样一个异构融合新的功能，这是一件不容易的事情。我们有四点考量：第一，我们希望这是一个有点类似大脑的一个多模态系统，而不是像现在 AI 的一些做算法，只做单一应用。我们希望这是一个覆盖感知决策和执行的完整的链路，这样才能够给我们异构融合的多种模型提供支撑，所以这是与单一模型不同的。第二，我们希望这个也是能够与真实环境交互的，而不是说在机房里面做一下实验或者在电脑里做一套仿真。我们希望它能够是一个真实环境交互。第三，我们希望这个系统它最好是对我们的处理芯片是有功耗和实时性要求的，这样才能够体现我们专用芯片的优势。第四，是因为我们要通过做反复的实验，我们希望这个系统是可控的、可扩展的。通过考量上述几点，我们最终选择了无人自行车平台，让它有语音识别的功能、有目标探测追踪的功能，可以运动控制、避障、自主决策。所以它看起来虽然很小，但实际上是一个五脏俱全的小型的类脑计算平台。<br /> <br /> '''问：'''类脑可以超越人脑吗？<br /> <br /> '''[[施路平]]：'''大家对于类脑技术能否超越人脑这方面很感兴趣。实际上这就和大家始终在问电脑如何来超越人脑一样。电脑早就超越了人脑，只是说在哪些方面。我们大家现在认为天才所具有的那些我们叹为观止的能力，其实现在的电脑是很容易来实现的，比如说记得快、记得准、算得快、算得准等等，在这些方面，对于计算机来讲都是小儿科。但是目前在很多智能的层次，特别是对于不确定性的问题，对于比如说学习、自主决策等很多领域，计算机和人脑还是有相当大的距离。计算机会逐渐的缩小差距，至于最后能否全面的超过人脑，我个人觉得从技术的层面会越来越多，因为计算机的发展有一个特点，就是它从不退步，它一直往前走。但是我相信我们人是有智慧的，我们会在发展的过程当中来逐渐的完善我们对于研究领域的一个理解，来把控它的风险，因为我相信人们之所以对这个问题重视，是因为我们担心会不会像科幻电影说的那样毁灭人类。实际上，能毁灭人类的东西我们早就已经造出来了，就是核武器，但是为什么现在它没有毁灭人类？是因为我们掌握它、我们可以控制它。像类脑计算、强人工智能、人工通用智能这些东西，我们相信人类可以很好地利用我们的智慧来规范它的发展的路径，来让它造福于我们人类，最大限度的避免那些风险。<br /> <br /> '''问：'''如何定义通用人工智能？<br /> <br /> '''[[施路平]]：'''我们这个自行车还是一个非常初步的研究。人工通用智能是一个非常难的研究课题，不可能一步到达。我总认为越难的研究实际上越容易，因为越容易的研究，千军万马一起上，你很难真正做到领先；而困难的研究，做着做着很多人都知难而退了，那么你真正的对手反而越来越少，你静下心来做研究，这样反而更容易。 但是有一个条件，那就是方向得对。我认为人工通用智能这个方向是对的，这实际上是基于一个非常简单的理念，就是在微机上一定能够实现。这是我们的一个信念，所以我们认准这个方向一定是对的，而且人工通用智能可以帮助我们去赋能各行各业，所以它是非常有意义的。 但是如何实现人工通用智能，有各种各样的想法，有不同的技术路线。我们经过多年的研究，形成了我们对于这样的一个研究的看法。关键是要坚持试错，要坚持迭代，这实际上是脑科学当中非常重要的一些基本的机制。那么我们根据这些机制，把现有的人工通用智能的那些条件，一个一个的来解决。这期间我们内部梳理了一些如何来发展人工通用智能所应该遵循的一些基本的原则，帮助我们一步一步的往前走。 在这个研究的过程当中，我们不断的丰富发展的思路，逐渐找到那条正确的道路。这是我们的基本思路：第一，我们相信人工智通用智能一定会实现；第二，这是一个非常具有挑战性的工作，需要我们一步一步来做。清华大学的领导非常的支持我们做这种具有挑战性的工作，调动方方面面，这是我们的一个优势。在这个过程当中，我们逐渐开始有了一些发展技术的直觉，这是我们感到比较欣慰的。不管怎么样，就是在发展人工通用智能这个路上，我们现在开始有了自己的方法论。</div>

丑牛