AIIA人工智能开发者大会即将开幕 热议AI计算架构和芯片

中兴事件的爆发，让公众意识到芯片行业亟待发展。近年来，AI芯片成为了各大科技巨头和创业公司的布局重点。前有百度推出了名为“昆仑”的AI芯片，后有阿里巴巴在云栖大会宣布成立的半导体独立新公司“平头哥”。无论是芯片或者AI芯片，今年专属它们的“戏”可谓你方唱罢我登场，热闹非凡的同时，在技术研发上也带给了从业者更多的思考。

即将于10月15日在苏州举行的2018 AIIA人工智能开发者大会，就将围绕人工智能当前的技术、产品研发、商业落地、产业发展等多方面、多维度展开交流与讨论。大会拉开帷幕前夕，镁客网特地邀请到了本次大会嘉宾、即将在大会论坛进行演讲的西安交通大学副教授任鹏举，分享他关于面向自主智能体的计算架构新的思考。

图 | 西安交通大学副教授任鹏举

解决非完整观测、复杂场景、开放环境下的智能体交互难题

任鹏举表示：“当前面向完整观测、简单场景应用的AI计算架构发展迅速，相对成熟。比如，人脸解锁、语音控制芯片等。这类AI芯片往往面向的是完整信息和简单场景的应用。但面向复杂场景、非完整观测、以及更加开放的环境时，智能体的大脑——芯片处理架构的发展还远远无法满足应用的需求。必须要有一些新的探索和开拓性的工作，才有可能让智能体在开放的环境中，更好的完成任务以及与人进行交互。”

“面向自主智能体的计算架构思考”这一论坛报告，正是围绕这一挑战，将课题组在这方面的探索和思考与观众分享。

“具体来讲，这一类应用，Agents的观测是非完整的。对比来讲：iphone的人脸解锁就需要把脸部完全显示在屏幕中才能够进行识别，发生遮挡时，解锁功能就无法正常工作。而开放环境下的交互Agent，由于感测器安装在智能体上，受空间的限制，很难将所有的环境信息完整的一次性观测到。尤其是环境中多个智能体交互的时候，如何做到高效、低延迟的通讯和协作，这样的工作模式和交互方式是一个比较大的挑战。我们认为它是AI智能芯片的另一个重要应用。”

2017年，在科技部颁发的“新一代人工智能”中，郑南宁院士提出:“混合增强智能”是指将人的作用或人的认知模型引入人工智能系统，形成“混合增强智能”的形态。这种形态是人工智能可行的、重要的成长模式。“混合增强智能”有两个核心：一是人在回路，即整个人工智能系统的方案设计、服务对象、评判对象都是人类，需要人的参与；另一种则是将人的认知模型借鉴到计算系统中。

“我们的思考正是基于此，在面向无人自主系统中提出一个创新点叫做‘认知计算引擎’。具体来讲,它包括两个关键技术，一、形成认知地图用于情境理解以及多智能体交互；二、事件处理和选择性注意机制。”

认知地图用于情境理解和多智能体交互

如何理解认知地图呢？举例来说，有朋友来找我，我会告诉他“从西安交大南门进来，会看到思源活动中心，沿着活动中心左边的路往前走，会看到一个丁字路口，在西北角有一个5层的灰色建筑叫科学馆，我的办公室在211。”相比于常见的百度地图而言，我刚刚描述的就是一个高度概括的语义地图，我的朋友可以很好的理解这个地图并且可以找到我的办公室。我们课题组想做的就是将自然场景高效表达为这样一类的认知地图，然后通过紧凑的数据结构进行表达，进而进行计算、存储以及通讯。

事件处理驱动和选择性注意机制

他特意以驾驶行为为例，介绍事件处理驱动和选择性注意机制：当司机在驾驶汽车的时候，需要向右拐，那么，他需要观看右侧后视镜，因为担心右后方有来车，其向右拐的时候可能会影响到他人。这一类信息处理的注意力过程是和任务相关的，是由任务决定的下意识执行的选择性操作，我们称之为自顶向下的选择性注意；另一类选择注意机制则是，司机在驾驶的过程中，路上突然窜出来一台车，司机的注意力会被突然出现的目标所吸引。这时，司机会估计突然窜出的车是否会闯入在自己的行驶路径当中。从而做出相应的判断和行为，这类信息处理的注意力过程是应对突发事件和场景变化的，我们称为自底向上的选择性注意。选择性注意机制从本质上讲，就是大脑面对复杂任务时的资源调配和调度，大脑总会用最经济、最高效的方式管理脑神经的处理能力、记忆以及相关的功能信息通讯。

“我们认为选择性注意机制和语义地图都可以更好的调配、调度现有的计算、存储和通讯资源。所以，我们希望可以把这种认知计算引擎引入到面向智能体的计算架构设计上来，这将是我们未来主要的工作内容。”

当下，AI芯片在进行发布时往往强调算力数据。在任鹏举看来，这种计算过度强调算力而缺乏效率为引导，其希望在认知计算模型方面探索相应的AI计算架构和芯片设计方法期待拥有同样算力的情况下，可以处理更多、更复杂的任务。

最后，当提到关注智能体的相关技术与商业应用落地的融合性时，他表示，目前融合的状态并不是非常理想。因为AI有两个公认的挑战，一个是条件问题，即很难列举出一个行为的所有先决条件，在确定的、相对静态的环境中能够很好给定先决条件。而面对开放的、动态的、交互的环境时，做到这一点非常困难；另外一个则是分支问题，即难以列举出一个行为产生的所有影响，特别是间接影响。目前，无论是人形机器人、康复机器人还是医疗机器人，这类机器人大多是由工程师提前编程好的固定执行轨迹和策略，因此，在产量巨大和应用场景相对固定的情况下，如：汽车加工车间的机械臂可以很好的完成任务和分摊成本。但面对产量不是很大的定制场景、灵活性和自主性要求比较高的情况下，融合状态还不是很理想，主要原因就是相关的技术还不成熟。因此，当前的智能体还有很长的路要走。