北京市脑科学和类脑计算论坛圆满举行
时间: 2017-07-22 13:55     作者: 王晔

2017年7月21日,我院联合北京脑科学与智能技术研究院,在西郊宾馆会议厅,共同组织召开了北京市第四次脑科学和类脑计算论坛。北京市科技信息中心、首都科技条件平台电子信息领域中心和北京灵犀移动通信产业技术创新联盟承办本次论坛。论坛邀请到纽约大学汪小京教授、北京师范大学吴思教授、中科院计算所陈云霁研究员做了相关报告。清华大学类脑计算中心主任施路平教授与主讲嘉宾一起参与了论坛Panel。北京市科技信息中心唐超主任为此次论坛致开幕词。论坛由我院院长曹立宏教授主持。在京高校、科研院所的科研人员与学生,以及企业代表等共约200人参加了本次论坛。

 

 

 

北京市科技信息中心唐超主任为此次论坛致开幕词,她首先欢迎各位与会嘉宾参加这次论坛,并表示希望大家通过这次论坛,成功搭建科研院所、高校、企业及社会相关人士对类脑研究、人工智能探讨与交流的平台,为北京市脑科学和类脑计算研究的发展起到推动作用。在刚刚由国务院发布的《新一代人工智能发展规划》的精神鼓舞下,市科委作为科技管理部门,希望在京科研院所和高校积极申请国家项目,为我国新一代人工智能的发展做出应有的贡献。

 

 

纽约大学汪小京教授,是世界著名的神经计算领域科学家,也是上海纽约大学的科研副校长。他做了题为“多认知功能的神经网络计算”的报告。汪教授认为,理论和计算神经科学可以填补从神经微环路到行为之间的空白,搭建从脑科学到人工智能的桥梁。汪教授首先介绍了理论和计算神经科学的发展历程,并呼吁中国建立计算神经科学和人工智能平台,引领更多优秀的人才加入类脑计算和计算神经科学领域,推动我国在人工智能方面的发展。汪教授的报告主要包括三个部分,第一部分是认知型神经环路。近年来,关于前额叶的研究越来越多,而深度学习目前主要停留在感知层面,还没有达到认知的高度。而汪教授构建的基于生物机制的recurrent神经环路在工作记忆和决策中有着不错的表现。我们的大脑有近千亿个神经元,所以我们应该把目标着眼于大规模神经网络的构建。因此,汪教授报告的第二部分是从“小积木”到“大高楼”的过程,即基于神经环路构建大规模神经网络。脑连接组计划的研究成果为大规模神经网络的构建提供了数据支持。汪教授的团队发现,不同的脑区有着不同的等级和不同的时间尺度,这在我们日常看电影或者理解语言中都起着重要作用,而目前的人工智能还没有引入时间尺度的概念。汪教授报告的第三部分是关于可以完成多个任务的计算神经科学模型。通过引入抑制性控制,并加入弹性权重变化机制,可以让一个网络出色的完成20个决策任务。通过观察网络中神经元的活动,可以帮助我们了解人工智能黑箱。

 

 

北京师范大学吴思教授从神经科学的角度来阐述脑科学对深度学习发展的一些启示。他首先介绍了当前深度神经网络的局限性,虽然深度学习网络在分类和识别等任务中表现出色,但仍然跟人脑有很大的差距。吴教授的报告包括五个部分。第一,视觉信息处理是动态和适应性的,我们的视觉系统可以通过动态调整权重,并加入时间维度,优化信息的处理。第二,视觉信息的处理是比较慢的,但是有预测性。也就是可以通过预测来补偿传递的延迟,吴教授的团队通过构建神经网络模型,加入负反馈机制,模拟预测信号。第三,视觉信息是交互式、概率式的处理过程,吴教授提出,图像理解是图像分割的过程加上物体识别的过程。第四,视觉信息是冗余且有效的,大脑的网络是无标度网络,大脑中大量的神经元组成的拓扑结构产生各种不同的神经环路,用来响应不同时间尺度的输入。第五,视觉系统是有选择性且稳定的,这起到了补偿由于眼动而接收的冗余信息的作用。吴教授最后强调,现阶段的人工智能应多借鉴脑科学,这对开发神经形态芯片和通用人工智能非常有帮助。

 

 

中科院计算所陈云霁研究员介绍了深度学习处理器。深度学习处理器的目标是智能应用。陈研究员首先介绍了人工神经网络以及深度学习的一些应用。他提出,在训练集上表现很好的人工神经网络在测试集中的表现未必好。陈研究员强调,由于神经网络是处理智能问题的最佳解决方案,且通用 CPU和GPU处理神经网络的效率低下,因此,我们需要神经网络处理器。我们用GPU去处理图像,用DSP去处理信号,那我们用什么来处理智能呢?陈研究员领衔的寒武纪研究团队就在做一款智能芯片,从DianNao到Cambricon,寒武纪走在了国际领先的位置。陈研究员介绍,寒武纪支持广泛的机器学习算法,并已经制定了行业标准,很多国际顶尖高校和公司都在借鉴寒武纪的工作。陈研究员利用硬件运算单元的分时复用策略,解决有限硬件和无限算法之间的矛盾,并实现了用小尺度芯片支持大规模的神经网络。最后,陈研究员希望寒武纪可以将代表性智能算法的处理速度和性能功耗提高一万倍。

 

 

三位学者的演讲,均引起了热烈反响,听众提问热情很高,并显示出了浓厚的兴趣与较高的科研素养。

 

 

 

在报告结束后的论坛Panel环节,论坛嘉宾就Brain-inspired intelligence和Brain-like intelligence进行了深入的讨论。施路平教授认为,Brain-like是从仿生的角度类脑,而Brain-inspired则具有更大的自由度,覆盖面更广些。吴思教授认为,只要能实现智能,用什么方法都可以,但Brain-like会是一个很好的路径。汪小京教授认为,计算神经科学既是从脑科学到人工智能的桥梁,又是脑科学和人工智能的交集。陈云霁研究员认为,我们的终极方案是Brain-like intelligence。曹立宏教授认为,近年来脑科学的发展十分迅速,人工智能可以从脑科学中得到很多启发,并鼓励学生多学习脑科学知识,推动具有原创性人工智能技术的发展。这一观点得到汪小京教授的共鸣与肯定。最后,参会者和五位嘉宾进行了比较充分的互动讨论和交流。

 

 

论坛总共持续了4个多小时,大家还意犹未尽,期待着下一次的论坛继续探讨“脑科学与类脑计算”。