选自IEEE
机器之心编译
机器之心编辑部
与深度学习不同，类脑电路需要真实世界的测试。
人类似乎对让机器玩游戏很着迷。早在1770年，一位发明家就发明了一种叫“土耳其机器人”的象棋游戏机。他们声称这台机器可以打败任何游戏玩家(其实这是一个人工智能骗局)；1997年，IBM的超级计算机深蓝在比赛中击败卡斯巴斯罗夫，成为第一个在标准比赛时限内击败世界象棋冠军的计算机系统；之后，DeepMind Hassabis领导的团队开发了AlphaGo，这是第一个打败人类职业围棋选手的智能体，也是第一个打败围棋世界冠军的智能体。
为什么很多研究者对生物的信息传递和感知感兴趣？坦率地说，这是因为生物体优于今天的计算技术，而今天的计算技术似乎正在迅速达到极限。传感器产生的数据太多，计算机无法理解，这些计算机在试图理解它们时消耗了太多的能量。然而在生物界，不起眼的蚊子大脑仅由约20万个神经元组成，其飞行控制和避障能力却远超人类所构造的任何东西；从能耗来说，蜜蜂的大脑有100万个神经元，但功耗只有0.1mW；人脑只需要消耗20 W左右的能量就可以满足日常的工作、动作等。但对于机器来说，以GPT-3为例，单次训练的能耗相当于126个丹麦家庭一年的能耗。这是生物智能和传统人工智能的一大区别。
到现在，即使是最先进的超级计算机也没有大脑复杂。计算机是线性的，主要依靠高速集线器实现CPU和内存芯片之间的数据传输。相比之下，大脑处于全方位互联状态，其密度和多样性是现代计算机的数十亿倍。近年来，计算机的小型化极大地提高了传统计算的性能，但内存和CPU之间的数据传输会消耗大量的能量并产生多余的热量，制约了计算机的进一步提高。
近年来，受大脑神经系统的启发，神经形态计算已成为人工智能领域的一个重要研究方向。最近，来自澳大利亚悉尼西部国际神经形态系统中心(ICNS)的研究人员建造了一个神经形态机器人来玩足球。
用神经形态传感器追踪运动的小球
首先，ICNS制作了一个可以玩弹球的小型机器人演示。机器人可以在桌上拿三个小球，演示效果和人类玩家大致相同。令人惊讶的是，与常见深度学习系统中的数十万或数百万人工神经元不同，这种微小的神经形态学可以解释并作用于仅使用两个人工神经元的基于事件的成像仪的输入。
在弹球取得不错的成绩后，团队认为需要更复杂、要求更高的任务来进一步推动神经形态学的研究，于是将目光转向了桌上足球。
桌上足球的所有动作都发生在一个二维空间里，只需要八个电机来控制桌上的小人，但实现起来比想象的要困难得多。多年来，人们多次尝试建造机器人足球，都取得了不同程度的成功，但都没有使用神经形态传感器。
总的来说，用神经形态传感器跟踪球很容易。然而，桌上足球是一种更具活力的游戏，尤其是当涉及到人类球员时，每个人都有不同的策略，他们的行动并不总是符合逻辑或必要的。
一些研究人员试图使用非神经形态学解决方案(如深度学习)来玩桌上足球。但是深度学习神经网络的处理方式(通常在GPU上)并不适合这样的任务，因为GPU处理的是批量图像，而不是一次只处理一帧。在桌上足球中，球员不在乎球以前在哪里，甚至不在乎现在在哪里；他们真正关心的是球接下来会在哪里。
其次，研究人员发现，深度学习方法对问题的微小变化极其敏感。摄像头的轻微晃动，球员向不同方向拉球时桌子的轻微倾斜，甚至光照条件的变化都会导致深度学习球跟踪器的性能崩溃。
ICNS的研究集中在更简单和更快速的神经形态网络。这些算法处理来自摄像机的每个事件(在神经形态学计算中也称为脉冲),并使用它们来更新球位置估计。
这种神经形态网络没有使用大量的神经元层，而是使用了16个小的模式识别网络，每个网络有18 x 18个像素，因此在游戏中任何时候都只需要考虑364个像素，这使得这种网络非常快速和准确。速度至关重要，因为事件驱动的算法需要跟上摄像头产生的时间敏感数据，每个事件只需要一些小而简单的计算。虽然这个系统不会对有经验的球员造成太大的威胁，但是网跟踪已经可以挡住对方的球，进球还是一个正在进行的工作。
原则上，深度学习可以进行类似的操作，但它需要查看整个图像，并在网络的每一层上进行更多数量级的计算。这不仅使用比系统多得多的数据，而且有效地将事件驱动的输出转换回帧。
三季消息3.jpg”>
目前，ICNS 的算法基于记录的事件数据离线训练，使用了一种遗传最优解算法，既可以学习球的外观，也可以很好地估计它接下来的位置。该算法学习如何从数据本身中识别球，而不是通过任何编码。此外，算法还从球的实际移动方式中学习，而不是基于对球的移动预期，这一点很关键。
下一步，ICNS 将把基于离线训练的学习迁移到实时在线学习，让网络在游戏进行中不断学习和适应。这或许有助于系统对其训练所在的特定桌子的灵敏度。
这种事件驱动算法是使用脉冲神经形态硬件（neuromorphic hardware）工作的算法的中间步骤。目前已有一些受大脑启发的处理器，包括英特尔的类脑芯片 Loihi、世界首家神经形态处理器商业生产商 BrainChip 的 Akida，它们将信息编码为脉冲序列，并与基于事件的传感器自然契合。一旦有了稳定的脉冲算法，神经形态计算就将取得更多进展。
最后，ICNS 团队表示，在设计机器人玩桌上足球时，他们专注于降低成本并开源整个项目。
原文链接：https://spectrum.ieee.org/robotic-foosball-table
