AIIA人工智慧開發者大會即將開幕，熱議AI計算架構和晶元

中興事件的爆發，讓公眾意識到晶元行業亟待發展。近年來，AI晶元成為了各大科技巨頭和創業公司的布局重點。前有百度推出了名為「崑崙」的AI晶元，後有阿里巴巴在雲棲大會宣布成立的半導體獨立新公司「平頭哥」。無論是晶元或者AI晶元，今年專屬它們的「戲」可謂你方唱罷我登場，熱鬧非凡的同時，在技術研發上也帶給了從業者更多的思考。

即將於10月15日在蘇州舉行的2018 AIIA人工智慧開發者大會，就將圍繞人工智慧當前的技術、產品研發、商業落地、產業發展等多方面、多維度展開交流與討論。大會拉開帷幕前夕，鎂客網特地邀請到了本次大會嘉賓、即將在大會論壇進行演講的西安交通大學副教授任鵬舉，分享他關於面向自主智能體的計算架構新的思考。

圖 | 西安交通大學副教授任鵬舉

解決非完整觀測、複雜場景、開放環境下的智能體交互難題

任鵬舉表示：「當前面向完整觀測、簡單場景應用的AI計算架構發展迅速，相對成熟。比如，人臉解鎖、語音控制晶元等。這類AI晶元往往面向的是完整信息和簡單場景的應用。但面向複雜場景、非完整觀測、以及更加開放的環境時，智能體的大腦——晶元處理架構的發展還遠遠無法滿足應用的需求。必須要有一些新的探索和開拓性的工作，才有可能讓智能體在開放的環境中，更好的完成任務以及與人進行交互。」

「面向自主智能體的計算架構思考」這一論壇報告，正是圍繞這一挑戰，將課題組在這方面的探索和思考與觀眾分享。

「具體來講，這一類應用，Agents的觀測是非完整的。對比來講：iphone的人臉解鎖就需要把臉部完全顯示在屏幕中才能夠進行識別，發生遮擋時，解鎖功能就無法正常工作。而開放環境下的交互Agent，由於感測器安裝在智能體上，受空間的限制，很難將所有的環境信息完整的一次性觀測到。尤其是環境中多個智能體交互的時候，如何做到高效、低延遲的通訊和協作，這樣的工作模式和交互方式是一個比較大的挑戰。我們認為它是AI智能晶元的另一個重要應用。」

2017年，在科技部頒發的「新一代人工智慧」中，鄭南寧院士提出:「混合增強智能」是指將人的作用或人的認知模型引入人工智慧系統，形成「混合增強智能」的形態。這種形態是人工智慧可行的、重要的成長模式。「混合增強智能」有兩個核心：一是人在迴路，即整個人工智慧系統的方案設計、服務對象、評判對象都是人類，需要人的參與；另一種則是將人的認知模型借鑒到計算系統中。

「我們的思考正是基於此，在面向無人自主系統中提出一個創新點叫做『認知計算引擎』。具體來講,它包括兩個關鍵技術，一、形成認知地圖用於情境理解以及多智能體交互；二、事件處理和選擇性注意機制。」

認知地圖用於情境理解和多智能體交互

如何理解認知地圖呢？舉例來說，有朋友來找我，我會告訴他「從西安交大南門進來，會看到思源活動中心，沿著活動中心左邊的路往前走，會看到一個丁字路口，在西北角有一個5層的灰色建築叫科學館，我的辦公室在211。」相比於常見的百度地圖而言，我剛剛描述的就是一個高度概括的語義地圖，我的朋友可以很好的理解這個地圖並且可以找到我的辦公室。我們課題組想做的就是將自然場景高效表達為這樣一類的認知地圖，然後通過緊湊的數據結構進行表達，進而進行計算、存儲以及通訊。

事件處理驅動和選擇性注意機制

他特意以駕駛行為為例，介紹事件處理驅動和選擇性注意機制：當司機在駕駛汽車的時候，需要向右拐，那麼，他需要觀看右側後視鏡，因為擔心右後方有來車，其向右拐的時候可能會影響到他人。這一類信息處理的注意力過程是和任務相關的，是由任務決定的下意識執行的選擇性操作，我們稱之為自頂向下的選擇性注意；另一類選擇注意機制則是，司機在駕駛的過程中，路上突然竄出來一台車，司機的注意力會被突然出現的目標所吸引。這時，司機會估計突然竄出的車是否會闖入在自己的行駛路徑當中。從而做出相應的判斷和行為，這類信息處理的注意力過程是應對突發事件和場景變化的，我們稱為自底向上的選擇性注意。選擇性注意機制從本質上講，就是大腦面對複雜任務時的資源調配和調度，大腦總會用最經濟、最高效的方式管理腦神經的處理能力、記憶以及相關的功能信息通訊。

「我們認為選擇性注意機制和語義地圖都可以更好的調配、調度現有的計算、存儲和通訊資源。所以，我們希望可以把這種認知計算引擎引入到面向智能體的計算架構設計上來，這將是我們未來主要的工作內容。」

當下，AI晶元在進行發布時往往強調算力數據。在任鵬舉看來，這種計算過度強調算力而缺乏效率為引導，其希望在認知計算模型方面探索相應的AI計算架構和晶元設計方法期待擁有同樣算力的情況下，可以處理更多、更複雜的任務。

最後，當提到關注智能體的相關技術與商業應用落地的融合性時，他表示，目前融合的狀態並不是非常理想。因為AI有兩個公認的挑戰，一個是條件問題，即很難列舉出一個行為的所有先決條件，在確定的、相對靜態的環境中能夠很好給定先決條件。而面對開放的、動態的、交互的環境時，做到這一點非常困難；另外一個則是分支問題，即難以列舉出一個行為產生的所有影響，特別是間接影響。目前，無論是人形機器人、康復機器人還是醫療機器人，這類機器人大多是由工程師提前編程好的固定執行軌跡和策略，因此，在產量巨大和應用場景相對固定的情況下，如：汽車加工車間的機械臂可以很好的完成任務和分攤成本。但面對產量不是很大的定製場景、靈活性和自主性要求比較高的情況下，融合狀態還不是很理想，主要原因就是相關的技術還不成熟。因此，當前的智能體還有很長的路要走。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！