北大计算机系黄铁军CCF-ADL讲习班上篇：从计算机发展史讲解制造超人工智能的正途——类脑计算
和推展起到。类脑计算出来的概念以及在这个方向和领域下面，必须做到一些什么方面的工作，哪些层次的工作，每个人的解读有可能都不几乎一样，但是现在渐渐的还是构成了一定的共识。这次讲座，我们邀了7个讲者，今天上午，我先来将我所解读的类脑计算出来的概念，以及一些国内外的进展。 我使用的是英文题目——Brain-like Computing类脑计算出来，有的老师讨厌叫Brain-inspired computing，受脑灵感的计算出来，但是我更加不愿叫类脑计算出来。
和推展起到。类脑计算出来的概念以及在这个方向和领域下面，必须做到一些什么方面的工作，哪些层次的工作，每个人的解读有可能都不几乎一样，但是现在渐渐的还是构成了一定的共识。这次讲座，我们邀了7个讲者，今天上午，我先来将我所解读的类脑计算出来的概念，以及一些国内外的进展。
我使用的是英文题目——Brain-like Computing类脑计算出来，有的老师讨厌叫Brain-inspired computing，受脑灵感的计算出来，但是我更加不愿叫类脑计算出来。neuromorphic computing这个词更加专业一点，学术一点，然而放到媒体上去讲解，类脑计算出来更加能让公众理解。但是它背后也有很多歧义，大家一说道类脑，怎么类脑，立刻有很多各自的解读和说明。
神经形态计算出来这个词更加精确一些，我们做到的这种新的计算出来模型、计算出来范式，实质上是一种神经形态，我一会儿再行说明神经形态。如果是做到学术写出论文，我建议你用“神经形态计算出来”这个词，不会寻找一些以前的或者更加精确的文献。实质上我实在所有做计算机的人 ，心理一定会有一个人工智能的梦想。
计算机可以说道是人类有史以来影响仅次于的发明者，这个发明者究竟能干什么？做计算机的人总会想要计算机可以做到更加强劲的计算出来逻辑和各种各样的信息处理能力，是不是需要替换大脑，多达大脑。当我们把计算机跟脑做到较为的时候，一般来说我们不会实在遥不可及。大家都在媒体上看见过霍金和马斯克谈人工智能，说道如果你发展人工智能，认同对人类社会的影响不会相当大，但是如果经常出现超级人工智能的话，我们人类就不会遭至灭顶之灾。
很多人赞成霍金和马斯克，指出超级人工智能不有可能，但是都没充份的证据。大约在2014年前后，我就指出这条路认同是不存在的，所以就应当沿着这条路把这个事构建了。我1月7日在中华读书报，公开发表了一篇源自生产超级大脑的文章。
后来2月份的时候，出版发行了一本书叫《超级智能》。总的来说，基本上更加多的人指出超级智能是有可能的，这样的道路是不存在的。返回计算机学科，去年是图灵明确提出计算机的模型80年，第一台计算机发明者70多年，是人工智能概念明确提出60多年，是深度自学那一篇Science的paper公开发表10周年。
去年类脑计算出来或者神经平台计算出来早已经常出现了很多标志性事件，让我们坚信新一代的计算机早已经常出现了，计算机早已转入了一个新的历史时期。所以我们今天重点是关于目前早已再次发生的一些事，大约分五个方面。一、人工智能走上立身第一个是人工智能，我称作人工智能走上立身，当然人工智能做到了60年，为什么说道今天再一往准确的方向展开呢？也不是说道以前都拢了，只是说道以前弯弯曲曲各种各样的点子，目前渐渐构成了一个较为主流的方向，而这个方向是我们终极性的问题，有可能获得突破。
今天我们一说道人工智能，当然大家就想要有可能是计算机作为一个平台构建人工智能，这基本上沦为一个思维方式。但是事实上我们走看今天的计算机，是不是需要已完成这样一个历史使命，这个问题是我们首先要思维的问题——靠什么构建人工智能或者未来的强劲人工智能？计算机从起源开始，实质上早已要求了我们今天的计算机，不是构建人工智能的一个适合平台。
图灵当时托计算机，图灵根本没想要明确提出说道一台计算机，那时候他为了解决问题一个数学问题：希尔伯特的23个问题中的第10问题，在数域里面存不不存在不能计算出来数。为了证明这个问题，要明确提出一个概念模型，结构一个标准化机器，这个标准化机器能做到所有的数学操作者，但是这样的机器做到将近传达刚才说道的其中那些不能计算出来数。
我们都是做计算机，都很确切图灵机的概念，但是图灵机是一个副产品，不是图灵为了设计计算机而设计的。图灵在80年代之前早已将计算机的无限大说道得很确切了。
今天很多人说道只要我把程序编成的好，算法设计的好，计算机什么都能做到。你看看，当你问这个问题的时候，你基于什么样的逻辑在说道，计算机什么都能做到的？显然不是这样，认同是做到将近的。当然我们还要说道一个最出色的贡献，就是香农的贡献。数学模型是抽象化的，无法继续执行，香农把数学和物理联系一起，这样计算机就能确实其实了。
这个贡献大家都告诉，还是想要特别强调一下：一个数学概念模型，用机器非常简单的一个模型可以传达各种各样简单的数学问题。他的最出色只要一个器件就能解决问题各种冲突，各种逻辑和数学的计算出来。那是1947、1948年的时候，那个时候还没晶体管，物理上总是有电源，灯也是电源，我用多个电源可以人组出有我们要的这种计算出来逻辑功能。就是把问题抽象化到一个淋漓尽致，然后把问题明晰化。
当然还有冯诺伊曼体系结构，这个也是一个历史性的贡献——把软件和硬件分离出来。计算机的最出色的地方，就是标准化的计算出来逻辑机器，可以做到基本的逻辑和运用。但是你要已完成任务必须靠程序，要软件和指令。
这样的话，你卖一台机器，装有有所不同的程序，就可以继续执行有所不同的任务。当然为了已完成通用性，效率是有损失的，你解决问题一个问题，专用电路更加必要，标准化的不会有一些符号代价，但是这些代价，使得应用于范围大大拓展，所以这也是一个贡献。
所以我花上时间去说道图灵的模型，香农的电路和冯诺伊曼体系结构这三件事是因为我们设计新一代的计算机，类脑计算出来，某种程度要考虑到类似于的问题。我们要考虑到，数学模型是什么，用什么样的器件去构建，你是什么样的体系机构，去构建人工智能的一些任务，不然计算机不有可能构建强劲人工智能。计算机发展到今天，第一台计算机经常出现70年了，背后的逻辑很确切，数学物理和体力结构，清清楚楚在那个地方。
但是不是做到智能的适合平台，你看清楚历史，才能告诉未来怎么做。接着我们看一下人工智能，图灵是1951年明确提出机器能思维，这当然是人工智能问题，只是那个时候，这个词还没用上。1956年，一些图灵奖获得者建构了人工智能这个词。他们在申请人研究经费时写到：我们有一些点子，就是通过机器建模，自学以及智能其他课程的方方面面都可以精准叙述。
到现在为止，这个点子还是很多人对人工智能解读的一个经典点子。我们怎么做智能和自学？实质上我们再行把它一般化，给它一个精准的叙述，就能用计算机去构建。
他们指出目前的计算机速度、存储能力还极快都不是问题，问题是我们把程序写出出来，这个软件就能解决问题智能的问题。我们今天的很多点子依然是延用这样的思路，当然这样的思路对或者不对，我们要考虑到。过去60年人工智能发展了很多技术路线，也有很多变革。
从最先的符号系统到今天的阿尔法狗，有很多标志性事件，每一次人们都说道人工智能发展这么慢，是不是立刻能打破人类，后来找到都没确实的构建。在历史发展中，大体来说就是三个流派仍然在竞争，第一个符号主义，这是经典人工智能，总要把它符号化、一般化、精准化，有叙述，然后用机器去构建。
第二个，就是神经网络，相连主义，实质上背后的思路就是说人的智能是神经网络产生的，我也做到一个神经网络，期望它能产生智能，至于产生什么智能，是训练和模型的事，首先我们回头的技术路线是神经网络，所以这一块也叫仿生学问或者生理学问。第三个，行为主义，主要是生物学，他们说道实质上你想要大家无论是我们一个人，或者一个动物，甚至我们生物最先的单细胞的原生生命形态，只不过它的智能从哪来的？在于和环境交互过程中产生的。
一个小孩与生俱来，没什么能力，但是跟环境交互中，能力不会渐渐提升。当然人还要上学，学书本知识，动物是不学这个东西，说是靠交互也可以。然而，如果不知道从大脑开始，终极性的问题依然解决不了。
这个点子并不新的， 1956年的时候就想起了，这些人辩论了7个问题：自动计算机、编程语言、神经网络、计算出来规模理论、自我改良、抽象化、随机性和创造性。目前自动计算机、编程语言、计算出来规模理论早已弄清楚了，而神经网络、自我改良、抽象化、随机性和创造性等问题还不清晰。他们当时就在考虑到，一群神经元如何构成概念，我们今天的深度自学也形不成概念，还有第五个问题，一个智能怎么能自我提高，现在深度自学靠大数据训练，一定程度上可以提高的，只要你用数据，我的智能就不会产生就不会自动提高，但是还没自我性和选择性。未来的计算机，如果还叫计算机的话，要有确实的随机性，然后才有创造性。
原本这个系统会不存在的东西，靠随机就能经常出现了。为什么后面几个问题仍然发展很受限，背后有两个原理。一个是因为我们仍然在用计算机做到智能，在计算机上做到神经网络、深度自学，是架构在冯诺依曼体系结构上的神经网络模型。
神经网络是没什么中心的，大量的节点展开简单交互的网络，跟计算机体系不是一其实。二是由于没一个针对神经网络的一种体系结构的硬件，晶体管增进了计算机的较慢发展，但是没适合的神经元器件，没物理上作出一个软的神经网络，又能合乎我们期望的模型，没类似于香农这样的人物经常出现，获取一个物理的桥梁，让你构建这些点子，数学和神经网络的点子，就不像计算机发展那么慢。但是我们还是要去找这样一种路径来构建神经网络。
所以神经网络发展这么多年，有高潮、有低潮，但是总有人较为坚决。1985年Hinton明确提出boltzman机模型。今天大家用深度自学去说道boltzman机说多层网络的时候，样子是一个很新的。从1985年到2006年，没有人做到的时候，我也坚决去做到这个，就是报着这样一种心态，在坚决做到神经网络。
我是1995年读书博士，1996年选题，那个时候，我们所有11个博士生，就只有一个人做到神经网络，这种精神就是首先你逻辑对不该，你要确认是对的，你就坚决做到下去，不管别人怎么看我这个事，为什么不会有这么一种精神？因为Hinton是布尔的曾孙子，布尔逻辑那个布尔的后代，这些人是有贵族精神的，会被流俗所影响，我指出这个方向对，我就坚决做到，渐渐徵吧，有人了事，我就做到，没有人了事，一个人做到，有人了事，几个人做到。2006年，Geoffrey Hinton在《Science》公开发表关于深度神经网络的论文，现在深度自学早已短路了。2011年，深度自学没那么冷的时候，我在斯坦福的半年采访，他们就是用layer做到图象识别、语音辨识、自然语言处置提高的百分点数，当然都是几个百分点，没多达10%。后来，李飞飞的组织的深度自学在比赛中，对图像识别的能力提升了11个百分点。
现在早已变为用更好的数据，加深的网络，调调参数，然后一个结果，这就没什么，从研究的角度没什么过于大意义了，但是我们都讨厌腊这个事。Alpha go的构建里面有很多它新的点子，是一个标志性的事件，但这还不是强劲人工智能，自律智能，但是远超过了我们传统上对人工智能的一种解读——总要把很多东西展开一般化然后传达。它的突破在把棋士当作一个图像去辨识，这个跟人去辨识的过程是类似于的。所以我们谈高手就是棋感，棋感从哪来？就是你下的棋数，下的多，看的棋谱多，阿尔法狗看完了3000万盘棋，棋感早已远超过人了。
你说道棋感这种我们一般来说指出只有人类有的，机器一样可以有。这种神秘性，我们指出独特性的东西，渐渐被机器替代。所以2030年国家的根本性科技项目里面，潘院士托了五大方向：大数据智能、跨媒体智能、群体智能、混合强化智能、自律无人系统。2030年的时候，计算机超过什么样的能力？当时以定了一个目标，就是要迫近人脑的信息处理能力，具备自我理解，自律的标准化人工智能。
以上是一些背景，花上了不少时间，后来应当是比较好谈。二、生产强劲人工智能第二个话题，是生产强劲人工智能。强劲人工智能又叫标准化人工智能，到现在为止，还包括阿法狗在内的，都是很弱人工智能，专用人工智能。
专用人工智能是指就事论事，要解决问题某个智能问题。强劲人工智能是要超过人类水平，需要自适应的应付外界环境挑战的具备自我意识的人工智能。一旦超过人类水平，就不会多达人类水平，所以强劲人工智能是我们要应付的一个挑战，这个挑战或许是我们人类经常出现以来，要应付仅次于的挑战。
实质上世界上不存在超级人工智能，本来我们人就是，我们本来就是一个强劲人工智能，我们的强劲人工智能基于我们的大脑，神经系统。到目前现在为止，除了人脑之外，没任何一个大自然或者人工智能系统，具备对新的环境、新的挑战，需要自适应，人是最典型的具备强劲人工智能的。既然人可以有，我们怎么让机器有？一开始我就说道类脑计算出来这个词，很更容易用有所不同的角度去解读，比如说Brain-inspired computing，受脑灵感的计算出来，这个事早已从人工智能开始，大家都在做到，脑给了我们一些模型原理，尽管很受限，但是我们获得了一些理解，认知科学给我们一些灵感，我们可以设计新的算法，还包括疑团算法，各种各样的。
只不过背后某种程度都有理解的应用于。但是这样的一个解读是无法解决问题我说道的强劲人工智能问题的，这样一个思路，把我们引入歧途。我们刚才说道人类大脑有强劲人工智能，人类大脑的强劲智能是怎么经常出现的？换一个众说纷纭，人的意识是怎么回事，或者人的思维是怎么回事，人的意识起源是什么，意识背后的原理是什么，就是这样一个问题。
这样一个问题，是我们人类三大科学问题。人类面临三个仅次于的科学问题，第一个宇宙的起源，生命的起源，意识的起源，这三大科学问题，是一个很难的问题，要不然就不叫它大问题了。这么一个大的科学问题，什么时候能解决问题，你去问脑科学家，再行激进的脑科学家，也会跟你说道在100年之内能解决问题，一般都会说道大约几百年的时间，也有人说道不会在1000年的时间，或许总有一天解决不了。因为这种大问题，他们没寻找一个不切实际的方案，不能是说道大大往这个方向探寻而已，所以无法给你一个确认的答案，因为太难了。
如果他们无法告诉他我们，大脑是怎么产生我们的意识这种强劲人工智能的，我们怎么办？别人没给你模型，我们是不是等模型出来再行去做到？我们多少年来被这么教育，科学是基础，技术是基于科学我们才能发展新的技术。所以但是这种思维方式在有些情况是对的，但是大多数情况下是有问题的。比如说飞机和空气动力学，1903年莱特兄弟就用上了飞机，但是1939年才经常出现空气动力学用来说明飞机为什么能飞。但是今天的飞机，靠空气动力学的指导才能做到得更佳，但是那只是更佳。
第一架飞机是没科学理论做到基础的。总结一下，我们人类历史上的技术变革和科学变革，技术变革完全可以说道都是领先于科学变革的，原创性、颠覆性的。中国四大发明，没一个有科学原理的，你说道中国没科学技术，中国有技术，指南针早已用了，郑和也不告诉地球是圆的，也不告诉指南针知道指南，但是我们就做到出来了。后来，等到科学渐渐的磁学，这些地球我们告诉怎么回事的时候，我们才解读为什么指南针能指南。
所以我们做到标准化人工智能，强劲人工智能，是不是一定要问——智能是怎么回事这个问题？大脑究竟是怎么产生的智能，我们是不是一定要问这个问题，如果问等几百年之后，再行去做到了，那这件事就没适当再行去辩论了。实质上不是这样的，类脑计算出来不是Brain-inspired computing，类脑计算出来是Brain-like。什么是类脑计算出来？我们现在并不知道大脑为什么不会产生这么高级的，创造性的感官。
但是我们告诉是什么样的物理系统在产生这个功能。这个大脑在物理意义上谈是怎么回事，在物质上是怎么回事，我们不说道精神不说道思维智能，我们说道神经系统是怎么回事，是什么样的生物系统，什么样的神经网络，在再次发生这样一个简单现象。所以这是大脑的解析建模，大脑能无法解剖学进，能无法把大脑的画出来，我们要搞清楚，我们要看清楚 ，是什么样的结构在做到，在再次发生这样一个不道德。所以这件事可以做到的，等会儿还不会谈所画到什么程度。
第二个，如果我们告诉大脑的神经元，神经网络这样一个结构，产生了高级的功能，我们能无法用电子也做到一个。当然我们不必再行去拷贝一个生物的东西，我们可以用神经元、神经网络的功能，相连也一样，做到一个某种程度的系统。因为神经元也是一个信号处理，图谱是信号的加工，这样的功能我们可以用电子器件做到出来，人脑只不过也是一样，你逃跑一定程度上的结构相似形，就不会经常出现类似于的功能，如果结构的相似性准确到一定程度，复杂性就有可能经常出现。所以是照葫芦画瓢做到一个东西，我们不问为什么。
这样一个系统，你可以去训练它，就像今天我们说道深度自学没一个人责备，深度自学的功能在那，多层网络在那个地方，你用大量的数据训练它，它就不会经常出现抽象化能力，分类辨识各种各样的能力。如果你做到了一个大脑神经网络的东西去训练它，用动态的，用各种各样的性刺激去训练它，它也应当经常出现类似于的现象。一个简单网络，不会产生更加简单的现象。
像非常简单的神经网络不会产生非常简单的现象，简单网络不会产生简单现象。人类一定是再行解读机器智能，最后解读我们自身的智能。因为从可实现上，也应当是这样。所以你看回头了四步，最后构建了解读意识，但是如果按常规的科学以定的思路，上来就现问意识怎么回事，这四步都不必回头，我们就在原地等着就好了，就会有类脑计算出来，会有确实的下一代计算机了。
因为今天大家给我三个小时来讲，所以我还可以详尽的去说道下。2015年的时候，为了给北京市说道确切，我总结了三句话，他们说道明白了，你们做到吧。结构层次仿效脑，器件层次迫近脑，智能层次打破脑。结构层次仿效，把大脑的神经网络结构搞清楚，建模大脑，这就是大脑偏移工程。
第二个，作出神经形态器件，从尺寸、功能上，迫近生物神经元，这是神经形态工程。智能层次打破脑就像我们今天去训练一个神经网络一样，用大数据，用各种的感官，当然可以用虚拟现实和虚拟环境去性刺激它，让它产生简单的不道德，就是刚才说道的，类似于行为主义的训练。这三个层次做完之后，这个系统就不会享有高级的简单功能。大约是这样一个路径。
所以我们所谓的类脑计算出来，类脑计算机，是仿照生物神经网络，使用神经形态器件结构的，以时空信息处理为中心的智能机器。为什么要特别强调时空信息处理，因为我们杨家说道简单环境。图灵机处置的数据流，实质上是早已外汇市场的时空信息了，尽管可以做到视频，做到视觉，做到现在简单的任务。
但是最后时间、空间都拆碎，变为一个一起展开的数据流。一旦时间、空间被毁坏之后，很多智能的任务，就很难做到了。我们生物视觉、生物听力，根本没把时间、空间毁坏掉，我们眼睛看世界，根本没时间、空间最后变为一个一味的流，我们在确实的实行分段在做到。这种新的机器，要能必要出来，以这种方式处置信息，这就是以时空信息处理为中心，时空无法毁坏，时空不毁坏的情况需要符合，必要展开处置。
所以这种神经形态计算机，或者类脑计算机，在我们刚才说道的有所不同的，跟经典计算机比起在各个层次都要做到一些变化。新的神经形态计算机，它的基本器件是神经元和神经神经元而不是晶体管，这个是神经形态器件，当然是人工的、电子的。第二，经典计算机是人定义的，是冯诺伊曼定义的体系结构。
神经计算机是仿照生物的神经网络，一个早已不具备这种功能的结构，我们把它用电子用芯片的方法，把它构建，对于这样一个网络，要去管理，就像我们今天的操作系统要去管理硬件的很多功能一样，比如说网络结构配备，因为硬件一旦做到出来，无法随意逆。但是你上面要构建网络的各种各样，怎么把给定的一个生物网络模型，同构到这样一个相同硬件上，网络配备和管理。硬神经网络到软神经网络的同构是一个基本拒绝。
所以说到底，这样一种机器，它退出了以前我们说道做到智能，得去问理解科学家，智能是怎么回事。他可以告诉他你一些东西，那些东西真为要做计算机的模型，解决不了问题。就像中医一样，可以给你说道一些道理来，但是那个道理解决不了什么问题。所以我是死心了，退出跟他们再行去论证下去，否则人都杨家了，将来连这个问题都解决不了。
由于是三个小时的演说，内容极为非常丰富，此为上篇，先前内容请求看下篇《北大计算机系朱铁军CCF-ADL讲习班下篇：编撰神经形态计算出来与AI生物视觉前沿 》本次课程为收费课程，2017年8月不会在AI慕课学院独家上线，原价 2500 元（CCF 会员）的线下课程现在限时特价 699 元预售，有兴趣的学员砍：http://www.mooc.ai/course/114，或者扫瞄右图二维码观赏。涉及文章：北大计算机系朱铁军CCF-ADL讲习班下篇：编撰神经形态计算出来与AI生物视觉前沿马斯克说道的脑机融合还有多近？确实的脑机科技前沿告诉他你真凶 | CCF ADL 81类脑计算出来前沿班总结重磅讲座预告片：朱铁军、陈云霁等专家齐聚CCF ADL，共享类脑计算出来与深度自学处理器 | 开学甄选中原创文章，予以许可禁令刊登。下文闻刊登须知。
本文关键词：北大,计算机系,黄铁军,黄,铁军,CCF-ADL,wellbet手机官方登录,讲习班
本文来源：wellbet手机官方登录-www.grademydaycare.com