編者按：本文來源于微信公眾號“機(jī)器之心”（ID：almosthuman2014），作者趙云峰，36氪經(jīng)授權(quán)發(fā)布。
Demiurge Technologies 是一家位于瑞士的人工智能創(chuàng)業(yè)公司，他們致力于研究生物神經(jīng)元的計(jì)算原理，開發(fā)下一代深度學(xué)習(xí)，以解決小樣本學(xué)習(xí)和與物理世界交互的難題。他們的深度學(xué)習(xí)系統(tǒng)將應(yīng)用于第四級別自動駕駛和探索機(jī)器人等領(lǐng)域。與大部分人工智能公司不同的是，Demiurge Technologies 希望從根源解決目前深度學(xué)習(xí)存在的問題，希望 Demiurge 的創(chuàng)業(yè)思路和運(yùn)作模式能夠給從業(yè)者帶來靈感和啟發(fā)。
瑞士，有著覆蓋國土面積 60% 的阿爾卑斯山脈和超過 1,500 個湖泊，瑪麗·雪萊所著的西方文學(xué)史上首部科幻小說《弗蘭肯斯坦》就誕生于日內(nèi)瓦湖畔，它講述了一位天才科學(xué)家從零到一創(chuàng)造出智能生命體的故事，成為此后 200 年間討論人類與機(jī)器、生命與智能的哲學(xué)模板。
Demiurge Technologies 也是一家希望從生命中獲得線索并以此來開發(fā)通用人工智能的創(chuàng)業(yè)公司，位于瑞士一個依山傍湖的小鎮(zhèn)——靜謐但充滿力量。
一、基于生物神經(jīng)元的下一代深度學(xué)習(xí)
「雖然目前的深度學(xué)習(xí)在語音識別和圖像識別方面取得了突破性進(jìn)步，但如果把深度學(xué)習(xí)用于絕大多數(shù)的其他領(lǐng)域，比如說自動駕駛、實(shí)體機(jī)器人等，就會面臨一個來自于真實(shí)世界的非常大的挑戰(zhàn)，那就是訓(xùn)練數(shù)據(jù)量嚴(yán)重不足。」Demiurge 聯(lián)合創(chuàng)始人、CTO 任志攀（Bragi Lovetrue）表示。
人工智能不同應(yīng)用場景的數(shù)據(jù)需求和數(shù)據(jù)供給對比，圖片來源 Demiurge Technologies
拿開發(fā)消費(fèi)級別的全自動駕駛來說，最大挑戰(zhàn)在于要開發(fā)出在交通事故的預(yù)判和預(yù)防上遠(yuǎn)超人類駕駛員的軟件。
如果用現(xiàn)有的深度學(xué)習(xí)去實(shí)現(xiàn)這一點(diǎn)，那就需要大量的事故數(shù)據(jù)，但這方面的數(shù)據(jù)供給非常有限，而采集數(shù)據(jù)又難度很大。首先，沒有人能夠準(zhǔn)確預(yù)測何時(shí)何地會發(fā)生何種事故，因此無法系統(tǒng)地提前部署以采集真實(shí)事故數(shù)據(jù)；其次，從法律上來說我們不能靠人為制造事故來采集數(shù)據(jù)；第三，也無法模擬數(shù)據(jù)，因?yàn)槭鹿矢嗌婕皩?shí)時(shí)的傳感以及與物理世界的互動，模擬出來的數(shù)據(jù)與真實(shí)數(shù)據(jù)差距很大，這從 DARPA 機(jī)器人挑戰(zhàn)賽就能看出來；最后，像 AlphaGo 那樣，在規(guī)則定義明確的簡單環(huán)境下自行創(chuàng)造大量訓(xùn)練數(shù)據(jù)的方式，在復(fù)雜的真實(shí)環(huán)境中難以發(fā)揮作用。
如果遇到數(shù)據(jù)量不足的情況，同時(shí)又很難通過之前那些行之有效的方式去增加數(shù)據(jù)供給，那就無法發(fā)揮出深度學(xué)習(xí)的優(yōu)勢。而更重要的是，我們還會遇到數(shù)據(jù)類型不一樣的問題，物理世界中是不同傳感器獲取的實(shí)時(shí)數(shù)據(jù)流，而現(xiàn)在深度學(xué)習(xí)在信息世界中的應(yīng)用，比如說圖像識別，使用的數(shù)據(jù)都是基于圖片的數(shù)據(jù)點(diǎn)，而非數(shù)據(jù)流，所以這也是將深度學(xué)習(xí)現(xiàn)有的成功延伸到真實(shí)物理世界應(yīng)用的一個底層障礙。
基于這個原因，Demiurge 專注于開發(fā)一種系統(tǒng)方法從源頭解決真實(shí)世界諸多領(lǐng)域中數(shù)據(jù)量嚴(yán)重不足的問題——既然很難有效增加數(shù)據(jù)供給，為何不設(shè)法大幅降低對數(shù)據(jù)的需求？
降低對數(shù)據(jù)量的需求、實(shí)現(xiàn)小樣本學(xué)習(xí)甚至 one-shot learning，是目前深度學(xué)習(xí)研究中的關(guān)鍵問題，Yann LeCun、 Yoshua Bengio 等深度學(xué)習(xí)專家也多次在演講中提到解決深度學(xué)習(xí)中 one-shot learning 問題的重要性。
在今年斯德哥爾摩的全球機(jī)器人頂級學(xué)術(shù)會議 ICRA 上，Bragi 在 Industry Forum 演講中介紹了 Demiurge 的方法，從神經(jīng)科學(xué)里尋找關(guān)鍵線索，「比起深度學(xué)習(xí)的點(diǎn)神經(jīng)元，生物神經(jīng)元所擅長的是從多模的實(shí)時(shí)數(shù)據(jù)流中提取多維度的時(shí)空信息來實(shí)現(xiàn) one-shot learning，這是現(xiàn)有的深度學(xué)習(xí)很難做到的。生物神經(jīng)元不僅能夠做這種特征提取，而且是以一種非常高效的方式，效果和效率都很出色。」
深度神經(jīng)網(wǎng)絡(luò)的確從神經(jīng)科學(xué)領(lǐng)域的研究中獲取了一些靈感，但其工作原理與人腦截然不同（誠然，我們對大腦的工作原理還沒有弄清楚），Yann LeCun 表示，他最不喜歡的對深度學(xué)習(xí)的定義就是「它像我們的大腦」，谷歌 Jeff Dean 認(rèn)為深度神經(jīng)網(wǎng)絡(luò)是對大腦神經(jīng)網(wǎng)絡(luò)的簡單抽象，并非是模擬人類神經(jīng)元如何工作。神經(jīng)科學(xué)專注的點(diǎn)包括計(jì)算的細(xì)節(jié)實(shí)現(xiàn)，還有對神經(jīng)編碼以及神經(jīng)回路的研究。然而，在機(jī)器學(xué)習(xí)領(lǐng)域，人工神經(jīng)網(wǎng)絡(luò)則傾向于避免出現(xiàn)這些，而是往往使用簡單和相對統(tǒng)一的初始結(jié)構(gòu)，以支持成本函數(shù)（cost funcion）的蠻力最優(yōu)化。
Bragi 從歷史的角度分析了深度學(xué)習(xí)和神經(jīng)科學(xué)的關(guān)系，「現(xiàn)在的深度學(xué)習(xí)從神經(jīng)科學(xué)中獲得的靈感非常有限，這是因?yàn)樯疃葘W(xué)習(xí)的理論基礎(chǔ)是上世紀(jì) 80 年代基本定型的，那時(shí)之前的神經(jīng)科學(xué)也發(fā)展比較慢，無法為深度學(xué)習(xí)提供更多靈感。而從 80 年代至今，神經(jīng)科學(xué)的發(fā)展速度遠(yuǎn)遠(yuǎn)超過了之前，過去 30 年產(chǎn)生的神經(jīng)科學(xué)知識是 80 年代以前的 46 倍，而且現(xiàn)在每年神經(jīng)科學(xué)獲得新發(fā)現(xiàn)的速度是 80 年代以前的 100 倍。所以，對于深度學(xué)習(xí)來說，如今的神經(jīng)科學(xué)已經(jīng)是一個非常巨大的寶庫，為提升現(xiàn)有深度學(xué)習(xí)的學(xué)習(xí)能力提供重要線索。」
Bragi 表示，越來越多的深度學(xué)習(xí)專家開始研究如何從神經(jīng)科學(xué)中獲取更多的線索，「 Yoshua Bengio 做的非常前沿，一方面研究深度學(xué)習(xí)的反向傳播算法在生物神經(jīng)元上是如何實(shí)現(xiàn)的，另一方面研究生物神經(jīng)元的 STDP 學(xué)習(xí)算法如何提升現(xiàn)有的深度神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力 。位于深度學(xué)習(xí)與神經(jīng)科學(xué)交匯的最前沿，我們很深刻地體會到現(xiàn)在正在發(fā)生著的轉(zhuǎn)型，從深度學(xué)習(xí)和神經(jīng)科學(xué)沒有太大關(guān)系的這一代（深度學(xué)習(xí)1.0），過度到深度學(xué)習(xí)重新從神經(jīng)科學(xué)獲得重要啟發(fā)的下一代（深度學(xué)習(xí) 2.0 ）。」
深度學(xué)習(xí) 2.0 ，圖片由來源 Demiurge Technologies
在近期谷歌 DeepMind 和 MIT 媒體實(shí)驗(yàn)室的合著論文《Towards an integration of deep learning and neuroscience》中提到，近期出現(xiàn)的結(jié)構(gòu)化、成本函數(shù)和訓(xùn)練程度的復(fù)雜化這兩項(xiàng)機(jī)器學(xué)習(xí)方面的進(jìn)展或許會將神經(jīng)科學(xué)和機(jī)器學(xué)習(xí)兩個研究領(lǐng)域看似不同的視角連接起來。此外，硬件方面，IBM Zurich 在 8 月首次用低成本高性能的相變材料實(shí)現(xiàn)了生物神經(jīng)元計(jì)算的關(guān)鍵機(jī)制——神經(jīng)薄膜 。
更重要的是，面向物理世界的移動人工智能的各種應(yīng)用需求（識別、避障、抓取等），與各類生物在物理環(huán)境的各種生存需求是高度吻合的。Bragi 表示，斯坦福大學(xué)人工智能實(shí)驗(yàn)室主任李飛飛教授就特別重視深度學(xué)習(xí)在機(jī)器人上的應(yīng)用。
生物神經(jīng)元，經(jīng)過上億年的演化，是自然找到的最優(yōu)解決方案。對于 Demiurge 來說，理解生物神經(jīng)元的計(jì)算模型是找到降低數(shù)據(jù)需求的通用算法，開發(fā)通用移動人工智能核心技術(shù)的關(guān)鍵。
這與其他解決數(shù)據(jù)量不足的思路有著本質(zhì)不同。「比如說 UC Berkely 的 Pieter Abbeel 和 Google 的 Sergey Levine ，他們都是在用深度強(qiáng)化學(xué)習(xí)來開發(fā)基于自我監(jiān)督學(xué)習(xí)（self-supervised learning）的通用算法，但這種自動的數(shù)據(jù)收集和標(biāo)記本質(zhì)上依然是增加數(shù)據(jù)供給。此外，NYU 的 Brenden Lake 等用貝葉斯程序?qū)W習(xí)的方法針對特定問題開發(fā)出專門的數(shù)學(xué)模型。雖然能夠在特定任務(wù)中大幅降低了數(shù)據(jù)需求，實(shí)現(xiàn)了 one-shot learning , 但這不是通用方法，」Bragi 說，「實(shí)際應(yīng)用中需要的是降低數(shù)據(jù)需求的通用方法，深度學(xué)習(xí)的通用性無疑是最佳的。對于深度學(xué)習(xí)來說，如果不從生物神經(jīng)元原理入手的話，是很難解決這些問題的。」
Bragi 表示，目前深度神經(jīng)網(wǎng)絡(luò)與生物神經(jīng)網(wǎng)絡(luò)最本質(zhì)的區(qū)別在于神經(jīng)元的類型。目前深度神經(jīng)網(wǎng)絡(luò)用的是點(diǎn)神經(jīng)元，其計(jì)算模型是把信號加權(quán)平均的結(jié)果輸入到一個非線性函數(shù)。這種點(diǎn)神經(jīng)元是對生物神經(jīng)元的極度簡化，沒有基于時(shí)間的變量。而生物神經(jīng)元則利用脈沖進(jìn)行基于多維時(shí)空變量的計(jì)算。單個生物神經(jīng)元的計(jì)算模型是神經(jīng)科學(xué)領(lǐng)域的一個關(guān)鍵問題，而這個問題的答案正是設(shè)計(jì)下一代深度學(xué)習(xí)的關(guān)鍵線索。
點(diǎn)神經(jīng)元和脈沖神經(jīng)元，圖片來源 Demiurge Technologies
這個模型的關(guān)鍵在于理解脈沖如何以非常少量的計(jì)算步驟和能耗能夠準(zhǔn)確抓取極高維度的時(shí)空信息。
「沒有基于脈沖的計(jì)算模型—僅僅像 IBM TrueNorth 那樣，簡單模仿一些生物神經(jīng)元的硬件特點(diǎn)，或者像 Numenta 和 Vicarious 的 HTM（Hierarchical Temporal Memory）那樣，簡單借鑒一些生物神經(jīng)元的軟件特點(diǎn)—消費(fèi)級別大腦芯片的硬件開發(fā)也就無從談起。 對于實(shí)現(xiàn)生物神經(jīng)元計(jì)算模型的軟硬件要求的掌握，是 Demiurge 最重要的核心優(yōu)勢。」
這種計(jì)算模型的提出是多尺度跨領(lǐng)域研發(fā)的結(jié)果，不僅需要對跨領(lǐng)域的基礎(chǔ)理論和前沿算法進(jìn)行研究，還要從應(yīng)用角度來分析真實(shí)世界的需求和需要滿足的限制，來縮小算法搜索的空間。因?yàn)檎鎸?shí)世界中有很多限制，比如說提供的數(shù)據(jù)量非常少，但為了應(yīng)用成功或者讓物種生存，就必須快速學(xué)習(xí)來了解整個環(huán)境，而在整個過程中又不能耗能太多。
生物智能給 Demiurge 提供了非常重要的線索，他們從跨物種的通用智能系統(tǒng)出發(fā)，理解要滿足什么樣的條件才能最大化它們的生存，這是從生存追問的一種智能系統(tǒng)設(shè)計(jì)的思路。不管設(shè)計(jì)出何種模型，都要滿足這些限制。
目前深度學(xué)習(xí)領(lǐng)域從實(shí)驗(yàn)室結(jié)果到產(chǎn)品級應(yīng)用的演化進(jìn)程，對于真實(shí)世界的諸多限制一開始是盡量回避的，即首先選擇那些可以不太涉及物理限制的簡單場景，盡力實(shí)現(xiàn)在該場景下深度神經(jīng)網(wǎng)絡(luò)的最優(yōu)化表現(xiàn)后，再開始逐條考慮開發(fā)應(yīng)用時(shí)必須面對的各種物理限制。
「這種演化可能適合學(xué)術(shù)研究，但不適合產(chǎn)品研發(fā)。Demiurge 的研發(fā)從一開始就充分考慮真實(shí)世界應(yīng)用的所有限制，開發(fā)出來的計(jì)算模型和大腦芯片能在真實(shí)世界的各種限制條件下完成出色穩(wěn)定的應(yīng)用表現(xiàn)。 」Demiurge 聯(lián)合創(chuàng)始人兼 CEO 劉思宜（Idonae Lovetrue）進(jìn)一步解釋這背后的決策依據(jù)。
由于采用了同時(shí)滿足技術(shù)突破和應(yīng)用表現(xiàn)的雙重評估標(biāo)準(zhǔn)，Demiurge 的研發(fā)風(fēng)格是極為大膽和嚴(yán)謹(jǐn)?shù)摹Ｌ岢龅挠?jì)算模型首先要在從數(shù)學(xué)理論上完整論證，同時(shí)還要用神經(jīng)科學(xué)最新的發(fā)現(xiàn)和數(shù)據(jù)去做驗(yàn)證。這部分?jǐn)?shù)學(xué)理論與神經(jīng)科學(xué)的驗(yàn)證之后， Demiurge 會開始軟件的模擬和硬件的實(shí)施，最終把自動駕駛作為首個測試平臺，通過實(shí)現(xiàn)第四級別的無人駕駛測試他們的大腦芯片產(chǎn)品在對交通事故的學(xué)習(xí)、預(yù)判和預(yù)防的表現(xiàn)。
Demiurge 雖然是從神經(jīng)科學(xué)中尋找深度學(xué)習(xí)突破的密碼，但他們所做的技術(shù)依然可以稱之為深度學(xué)習(xí)，最終的產(chǎn)品形態(tài)也是利用深度神經(jīng)網(wǎng)絡(luò)，也利用很多的隱含層和反向傳播算法，只不過是將深度神經(jīng)網(wǎng)絡(luò)中的點(diǎn)神經(jīng)元替換成了脈沖神經(jīng)元，是計(jì)算單元的區(qū)別，在整個計(jì)算架構(gòu)上區(qū)別很少。
因此，可以在充分利用了生物神經(jīng)元優(yōu)勢的情況下同時(shí)還繼承了這代深度學(xué)習(xí)的所有優(yōu)勢，比如說具有通用性，以及從訓(xùn)練的角度上是 model-free ，這依然是一個以數(shù)據(jù)和經(jīng)驗(yàn)來驅(qū)動的過程。
Bragi 說：「我們和 DeepMind 、OpenAI 等最大的區(qū)別是，我們很清楚脈沖神經(jīng)網(wǎng)絡(luò)在感知數(shù)據(jù)流計(jì)算上的巨大優(yōu)勢，并知道如何從軟件上和硬件上實(shí)現(xiàn)它。對這一代深度學(xué)習(xí)來說，正如 Google 資深研究員 Greg Corrado 在 Brain Forum 上所說，他們尚不清楚如何利用脈沖進(jìn)行計(jì)算，在算法層面和應(yīng)用層面發(fā)揮脈沖的優(yōu)勢 。我們與 IBM 區(qū)別是，IBM 的最新突破用 GST 相變材料首次完整第實(shí)現(xiàn)了單一神經(jīng)薄膜，這是基于對生物神經(jīng)元物理性質(zhì)的深入理解與再現(xiàn)，但要開發(fā)應(yīng)用于物理世界的大腦芯片， 僅靠復(fù)制生物神經(jīng)元的物理性質(zhì)是不夠的，根本上仍然需要對生物神經(jīng)元計(jì)算原理的掌握，后者是 Demiurge 的核心優(yōu)勢。」
二、游戲規(guī)則制定者
理解生物神經(jīng)元的脈沖計(jì)算原理，是神經(jīng)科學(xué)領(lǐng)域的世界級難題，同時(shí)對人工智能界的下一次突破也意義重大，面對這樣一個不論是從科研還是從應(yīng)用上都將帶來巨大價(jià)值的命題，Demiurge 作為一個資源有限的創(chuàng)業(yè)公司是如何做到的？
「不應(yīng)該是艾倫實(shí)驗(yàn)室、索爾科研究所、HBP 等世界級腦科學(xué)研究機(jī)構(gòu)，或者谷歌、Facebook 等科技巨頭才有動力和能力去解決這樣一個世界難題嗎？」我非常直接的向 Bragi 詢問。
「就像阿基米德那個用杠桿去撬動地球的比喻，對于撬動這個世界級難題來說（理解生物神經(jīng)元的脈沖計(jì)算原理），有很多不同支點(diǎn)（探索方法）可供選擇。比如說各國腦計(jì)劃的研究重點(diǎn)主要集中在提高探測設(shè)備和研究手段，使得我們能夠盡可能收集從局部到全部、從單個時(shí)間點(diǎn)到更大時(shí)間尺度上的盡可能多的關(guān)于神經(jīng)元的數(shù)據(jù)，他們大多是從收集數(shù)據(jù)的角度來努力。」
「艾倫研究所在這方面做了很多貢獻(xiàn)，不僅提供了系統(tǒng)化數(shù)據(jù)收集的標(biāo)準(zhǔn)和數(shù)據(jù)收集的設(shè)備，同時(shí)還把收集上來的數(shù)據(jù)加以整理并免費(fèi)開放，他們的思路是，更多的數(shù)據(jù)可能會幫助我們最終解決算法的問題，這是大數(shù)據(jù)驅(qū)動的對算法的理解。而歐盟腦計(jì)劃（HBP）的思路不一樣，他們認(rèn)為，即便是收集足夠多的數(shù)據(jù)，但缺少模擬的過程，對數(shù)據(jù)的利用效率也不夠高，所以他們特別強(qiáng)調(diào)建立一個全尺度、高精度的虛擬大腦，這樣就能保證在虛擬大腦里重現(xiàn)已經(jīng)觀察到的大腦的現(xiàn)象和特征，從而讓我們更加準(zhǔn)確的提出測試各類神經(jīng)元的計(jì)算模型，這也是從藍(lán)腦計(jì)劃到歐盟人腦計(jì)劃的一個重點(diǎn)。」Bragi 說。
Idonae 補(bǔ)充到：「以上這些研究更多的是提供了基礎(chǔ)設(shè)施，支點(diǎn)都離問題比較遠(yuǎn)，而不是直接去解決這個問題。而 Demiurge 選擇了最近的支點(diǎn)（完全專注于單個生物神經(jīng)元），并打造出了最長的杠桿（提出了通用的脈沖計(jì)算模型），所以能夠以有限的資源撬動無限的潛力。」。
她認(rèn)為「下一代深度學(xué)習(xí)是一個底層應(yīng)用問題，不是一個表層應(yīng)用問題。底層問題則需要對多領(lǐng)域深入的理解和靈感來尋求突破，還需要對應(yīng)用核心痛點(diǎn)的深入理解，所以預(yù)測和管理更具挑戰(zhàn)性。而表層問題可以用循序漸進(jìn)改良的方式推動，產(chǎn)出和時(shí)間相對容易預(yù)測。在學(xué)術(shù)界和大企業(yè)機(jī)構(gòu)，相關(guān)評審機(jī)制的設(shè)計(jì)和運(yùn)作有利于解決表層應(yīng)用問題，但對解決底層應(yīng)用問題的機(jī)制缺乏動力和經(jīng)驗(yàn)。因此在解決底層應(yīng)用問題上，Demiurge 量身打造的文化制度和評審機(jī)制就會顯示出獨(dú)特的優(yōu)勢。」
Demiurge 聯(lián)合創(chuàng)始人、CEO Idonae Lovetrue 在 TEDx Hochschule Luzern 演講
在此前的 TED 演講上，Idonae 也提到了 Demiurge 相對于科技巨頭的優(yōu)勢，「大企業(yè)顯然有多種優(yōu)勢：充足的資源、雄厚的財(cái)力和強(qiáng)大的網(wǎng)路，但開發(fā)應(yīng)用于物理世界的人工智能最重要的事情是生存本能，但這與大企業(yè)的屬性相悖，企業(yè)一旦做大，保持其生存本能就會極其困難。但生存卻是創(chuàng)業(yè)的一切，并且它在每個人的血管中流淌，我何時(shí)何地都能感受到它。」
「所以，Demiurge 為自己創(chuàng)造了一個非常獨(dú)特的位置，掌握了一個從科學(xué)的利益和動力、產(chǎn)品的利益和動力的完美契合點(diǎn)，」Bragi 表示，「單個神經(jīng)元計(jì)算模型這個問題既是從深度學(xué)習(xí)應(yīng)用需求來說必須要解決的根本問題，同時(shí)也是神經(jīng)科學(xué)領(lǐng)域一個諾貝爾獎級別的問題。比起學(xué)術(shù)界，Demiurge 離應(yīng)用最近，可以獲得一些額外的關(guān)鍵啟發(fā)和應(yīng)用場景下的限制條件， 更有能力去做這個事情。比起工業(yè)界，Demiurge 離科學(xué)最近，能夠非常專注地去徹底解決應(yīng)用的底層問題，更有定力去完成這個事情。」
而恰恰是因?yàn)?Demiurge 所堅(jiān)持的這個目標(biāo)也是神經(jīng)科學(xué)家一直以來的終極目標(biāo)，所以神經(jīng)科學(xué)領(lǐng)域的頂尖機(jī)構(gòu)和專家非常支持他們，為他們提供研究成果、數(shù)據(jù)和人才。所以從這方面來說，Demiurge 和神經(jīng)科學(xué)領(lǐng)域的大機(jī)構(gòu)是一種合作關(guān)系，而非直接的競爭關(guān)系，而這種合作關(guān)系也是平等的優(yōu)勢互補(bǔ)，這些科學(xué)家不是在通常情況下的單方面付出，而是可以獲得反饋。
各類人才的匯集讓 Idonae 充滿信心，「我們只要堅(jiān)持走在解決這個問題的路徑上，最適合的人會一個一個陸續(xù)登場，而每個人都必然是在相關(guān)領(lǐng)域深耕良久，因?yàn)橹挥杏辛撕苌畹姆e累之后才有足夠的眼光看到我們解決這個問題的必然性。」
而對于 Demiurge 來說，他們不僅希望自己創(chuàng)造的這套新的游戲規(guī)則能夠幫助他們解決具體問題，還希望這個規(guī)則本身可以為后來者提供一種史無前例的參照。
「我們在創(chuàng)造一個先例，從來沒有人說過創(chuàng)業(yè)公司不可以通過解決一個諾貝爾獎級別的問題來直接開發(fā)出堪比互聯(lián)網(wǎng)基礎(chǔ)的人工智能技術(shù)，只不過是很少有人有勇氣做這方面嘗試，而我們非常清楚我們的目標(biāo)是什么，我們存在的意義是什么。我們希望自己是啟發(fā)性的，也可以讓后面的人有一個新的參考體系。」Idonae 表示。
「為什么是我們？我們對現(xiàn)有的游戲規(guī)則很了解，并且非常清楚做到什么程度才算是真正的成功，」Idonae說，「通用人工智能的成功標(biāo)準(zhǔn)，高于在 ImageNet 競賽中取得高分，高于實(shí)現(xiàn)完全的自動駕駛，而是能夠?qū)崿F(xiàn)人人可居的智慧城市，人人可獲益的地外探索。」
自動駕駛
Demiurge 基于生物神經(jīng)元計(jì)算模型所提出的下一代深度學(xué)習(xí)及相關(guān)的軟硬件平臺， 可以做到高性能、低成本的解決小樣本學(xué)習(xí)和自適應(yīng)學(xué)習(xí)等人工智能在真實(shí)世界中所面臨的諸多問題。從目前來看，這項(xiàng)技術(shù)最直接、也是最有市場需求的應(yīng)用就是自動駕駛。
Bragi 和 Idonae 五月份的行程非常密集，他們需要去瑞士中部的盧塞恩進(jìn)行 TED 演講，然后當(dāng)天趕到西南部城市洛桑參加 Brain Froum，會議結(jié)束后再返回公司。Bragi 駕駛著一輛 Model S 在四天里行駛了超過 800 英里，沿途再美的風(fēng)景也會屈服于駕駛員的時(shí)間成本和精力消耗，這也是所有人期待自動駕駛早日實(shí)現(xiàn)并積極參與其中的原因。
從 20 世紀(jì) 80 年代卡耐基梅隆大學(xué)的 Navlab 計(jì)劃，到谷歌自動駕駛項(xiàng)目，再到如今所有相關(guān)公司的強(qiáng)勢布局，眾多參與者都走在追求這個終極目標(biāo)的路上，每個參與者都會基于自己的優(yōu)勢規(guī)劃發(fā)展路徑，神秘的自動駕駛創(chuàng)業(yè)公司 Drive.ai 就完全押寶于深度學(xué)習(xí)，將深度學(xué)習(xí)應(yīng)用于全自動集成駕駛堆棧，改變用規(guī)則去應(yīng)對各種場景，讓汽車完全自行通過理解數(shù)據(jù)去學(xué)習(xí)。
而 Demiurge 的方案不是循序漸進(jìn)，而是從自動駕駛場景下的小樣本學(xué)習(xí)和與真實(shí)物理世界交互的兩大限制出發(fā)，用生物神經(jīng)元的計(jì)算模型從根源上解決這個問題。
「比如說蝗蟲，它們的翅膀非常孱弱，任何撞擊對它們來說都是非常致命的，但它們在高速飛行中有著幾乎完美的自動避障能力，這背后的機(jī)制如果用在自動駕駛汽車上，將會實(shí)現(xiàn)第四級別的自動駕駛。最令人吃驚的是，蝗蟲的自動避障系統(tǒng)只用了兩個生物神經(jīng)元，一個用來探測障礙，一個用來執(zhí)行避障的行為，這說明生物神經(jīng)元在處理物理世界的任務(wù)時(shí)，從小數(shù)據(jù)和數(shù)據(jù)流中的學(xué)習(xí)和決策能力非常出色，這對我們降低數(shù)據(jù)需求提供了重要線索。」Bragi 說。
基于深度學(xué)習(xí)的自動駕駛和蝗蟲自動避障的對比，圖片來源 Demiurge Technologies
在產(chǎn)品方面，軟件依然是第一位，但如果現(xiàn)有的自動駕駛平臺無法與他們的軟件相適應(yīng)時(shí)，Demiurge 也會重新設(shè)計(jì)硬件，「我們要設(shè)計(jì)的深度學(xué)習(xí)芯片也是基于脈沖神經(jīng)元，所以從硬件實(shí)施上也與現(xiàn)在的硬件有所不同」，但 Bragi 沒有透露更多具體細(xì)節(jié)，「這兩種方法都是可能的，至于選擇哪一種，則是看工程上的需要。」
在眾多自動駕駛領(lǐng)域的參與者中，Demiurge 認(rèn)為公司最大的潛在競爭對手是特斯拉。特斯拉在去年 10 月通過軟件升級增加了輔助駕駛功能，這個功能在研發(fā)時(shí)使用了特斯拉車主過去 18 個月積累的 7.8 億英里行駛數(shù)據(jù)。在該功能上線后的短短六個月內(nèi)就積累了 4,700 萬英里數(shù)據(jù)，遠(yuǎn)遠(yuǎn)超過谷歌歷時(shí) 6 年積累的 150 萬英里，而近期特斯拉的這個數(shù)據(jù)已經(jīng)增加到 1 億英里。
Demiurge 把特斯拉視為頭號競爭對手的原因在于，目前只有特斯拉充分認(rèn)識到現(xiàn)有深度學(xué)習(xí)對于數(shù)據(jù)需求量過大的底層問題，并且后者正在用不同方式來逼近這個目標(biāo)。
Bragi 說：「特斯拉在收集數(shù)據(jù)上有著壟斷性的巨大優(yōu)勢，所以能夠利用現(xiàn)有深度學(xué)習(xí)做自動駕駛，在與大多數(shù)同行競爭中已然遙遙領(lǐng)先。但特斯拉并沒有滿足這一狀態(tài)，Elon Musk 同時(shí)通過成立 Open AI 在本質(zhì)上尋求能夠?qū)崿F(xiàn)第四級別自動駕駛的下一代的深度學(xué)習(xí)算法，完全超越競爭，這和 Demiurge 的思路是一樣的。」
京公網(wǎng)安備 11010502049343號