人工智能与认知科学论坛：类脑智能、混合智能及应用前景的探讨

27日下午的“人工智能与认知科学”专题论坛，中科院自动化所脑网络组研究中心主任蒋田仔、重庆邮电大学教授王国胤、华南理工大学教授李远清、清华大学计算机系教授孙富春、北京师范大学” 认知神经科学与学习” 国家重点实验室主要成员姚力、苏州思必驰联合创始人俞凯和京东数据与机器智能部负责人杨洋等，聚焦三方面的问题展开讨论：类脑智能、混合智能及应用前景。本论坛国防科学技术大学教授胡德文的主持。

中科院自动化所脑网络组研究中心主任  蒋田仔

中科院自动化所脑网络组研究中心主任蒋田仔的主题是《脑网络组Brainnettome及其类脑计算的其实》，他表示对于脑网络组是以脑网络为基本单元的组学，它由脑网络节点和节点之间的链接两个基本要素组成，这两个要素可以在微观尺度（神经元）介观（功能柱）和宏观（脑区）定义，并提到网络组最本质区别就是节点和连接同样重要，而且节点更难。他提到了传统脑图谱的局限性，包括多是基于尸体标本的研究，周期长，耗时耗力、仅包含局部分区信息、未全面考虑个体变异、缺乏功能亚区等。

他还详细介绍了脑网络图谱的作用：脑网络组图谱是类脑计算的基础。他认为脑网络组为理解脑和脑疾病开辟了新途径，脑网络组图谱是明确脑功能基本单元的划分及其连接模式的基本工具，为类脑计算的体系结构设计提供生物学基础，阐明脑网络信息处理机制，传递及处理的动态过程，为建立类脑计算的理论与算法奠定基础，即使对于脑信息处理的部分认识运用于合适的类脑计算领域，也能有重要的作用。

重庆邮电大学教授、计算智能重庆市重点实验室主任  王国胤

重庆邮电大学教授、计算智能重庆市重点实验室主任王国胤分享的主题是“多粒度双向认知计算模型”。王国胤从分享了自身的理解。分别是：双向认知和多粒度方向。他表示在以前知识发现、机器学习中大部分都是单向行为，仅为数据底层到知识层的单向变换。他认为未来的工作应在于计算机计算与大脑计算的双向转换，从概念到内涵再到外延，从外延到概念再到内涵。另一个多粒度计算，他认为在不同粒度的处理上可以把高粒度变为低粒度来进行解决。他提出可以利用模型来做双向认知并在传递概念交流的时候通过事例来进行描述另外还可以使用概念聚类等方法。但现在从分析上可以得出：大脑计算和计算计算是否可以实现双向交换的结论。他举了几个例子来说明这一点。对于深度学习，模型结构之间可以并进，所以取得了很大成功。在他看来，这是由于不同粒度层级之间实现了神经网络。王国胤从深度网络上谈到了自己最近思考的关于粒度结构的问题，他认为在深度网络中，多粒度问题求解现在做的时候数据层次的优化，粒度空间寻优的问题，在不同程度之间进行变换。他表示在多粒度联合问题求解以及信息表达空间的问题里，双向变换应该是未来处理大数据的一个有效途径，这应该成为一个探索的方向。

华南理工大学教授、脑机接口与脑信息处理研究中心主任  李远清

华南理工大学教授、脑机接口与脑信息处理研究中心主任李远清首先分享了他们主要的研究方向，包括：

• 信号处理与模式识别方法及其在脑信号分析中的应用；
• 脑机接口及其临床应用；
• 基于FMRI的人脑试听多模态信息整合。

紧接着李远清介绍了脑机接口的原理图。首先提取脑信号，然后实时处理，处理控制信号控制外面的设备，控制设备就可以反馈，然后这个人可以控制脑信号提高他的脑效果。然后他介绍了一个简单的混合智能系统的例子，通过脑控无人驾驶轮椅，很好的达到了预期的目标，进而的体现了脑机接口在混合智能系统的良好应用效果。

接着他分享了脑机接口的两个应用：

• 意识障碍患者（“植物人”）的意识检测，用脑机接口代替模型进行评估能有效的减少误诊率。
• 基于视听觉BCI的意识检测，大大提高了原有视觉或听觉单一方式测试的准确度，并于现场视频演示。

清华大学计算机系教授  孙富春

清华大学计算机系教授孙富春分享的是“多模态动态数据及其研究”。多模态动态数据是对于一个待描述的事务，通过不同方法或视角收集的紧耦合数据时间序列，收集这些数据的每一个方法或者视角称为模态。多模态信息能够增强信息处理的可靠性和容错性。他谈到了多模态信息处理的一些问题，例如多模态信息的动态变化性和不同模态信息之间的权重比如何处理以及目前缺少结构性机制。随后他介绍了现在多模态融合代表工作，如声音与唇形的融合，视频和音频的融合等等。孙富春表示目前不同传感器数据的异构性使得融合非常困难，难以修正。目前做的比较多的还是联合机制框架上面。外一个是多方法网络，在空间里面做向荣，然后又是关于触觉、视觉，包括深度学习融合，效果还是比较好的。

多模态融合是机器人精细操作应用的重要部分。举例来看，异构传感融合，更多是基于联合稀疏编码的融合。未来的目标是，使机器人能够从多模态融合信息并且进行经验学习，进而处理一些分析预测和推理，完成训练之外的任务和应对突发事情。能进行精细操作，完成复杂灵巧的动作，最终实现高智能机器人。

北京师范大学” 认知神经科学与学习” 国家重点实验室主要成员、信息科学与技术学院教授  姚力

北京师范大学” 认知神经科学与学习” 国家重点实验室主要成员、信息科学与技术学院教授姚力的主题是《基于神经摄影技术的视觉 信息编码与神经反馈》，首先她从核磁共振的作用入手，引出了核磁共振在大脑信息解码方面的作用。她从两个方面展开，第一是基于神经影像的视觉信息编解码，通过解码来理解大脑里的对事物的反应。并重点谈到了重构。第二，基于神经反馈的认知功能改善，后者主要试图解决的科学问题是如何控制大脑的活动模式从而调节和改善人的感知和认知能力。

她还谈到了实时功能的核磁共振，能把大脑中的信号动态的解析出来，从而可以借此技术来研究大脑的可塑性，就是通过后天训练来改变大脑的一些结构。在这里，姚力分享了她们目前的研究项目，例如一款通过蓝牙将脑电信号传到手机上，通过游戏方式急性记忆力，注意力的训练。同时还把它做到教育上去，通过脑电信号观察学生的大脑状态，使学生既能注意力集中，又不至于感到学习压力大。姚力认为未来这个方面很值得深究。

苏州思必驰联合创始人、首席科学家 俞凯

苏州思必驰联合创始人、首席科学家俞凯表示：人机交互是人工智能的一个领域。他谈到了人工智能发展的机遇，一是数据量的增大；第二个是云计算的出现，使得大规模计算能力得以实现。另外计算成本在不断的下降，目前下降的速率大概是每年下降33%。从人机交互的历史变迁，最初是1980将材料组织起来，1990年底网络出现，形成浏览为主的交互，在之后出现谷歌和百度，搜索刺激自然语言发展，现在是多模态处理。从文本交换向处理任务变迁。从流程来看，从计算智能到感知/表达智能， 再到认知智能，最后是抽象知识处理。传统人机语音交互模型，从语音识别到语义解析，再到深度学习来实现。他分享了一个有趣的视频，初看是方言无法被有效识别。但核心却是机器无法理解纠正和打断。人机交互中，什么时间，说什么都会影响交互流程。多轮交互模型中要包含更多技术，比如人机交互中的认知智能，静态认知、动态认知、进化认知。他认为作为认知型交互界面一定是人机交互的未来。第一块它能够自适应，不断学习。第二块它能办法对错误进行自我恢复。第三块通过推理得到决策。最后在架构上不单单解决反馈问题，同时能够解决什么时间反馈以及各种模块如何融合的问题等。

京东数据与机器智能部负责人  杨洋

京东数据与机器智能部负责人杨洋重点分享了京东研发的商业产品——智能聊天机器人JIMI的技术实现以及它创造的利益和价值。产品形态是京东主站的智能客服（网页端售前咨询、售后服务、闲聊、百科、专属服务），移动端机器人和商家智能助手（半自动和全自动接待，商家管理后台）等。覆盖了京东首页、售前与售后客户，和社交平台等。在京东一系列机器人的实现上，他从三大块进行了介绍。

1. 核心技术NLP体系，基于自然语言处理技术，剖析用户语言组成，分析中文语义理解用户意图并相应，是JIMI的核心“大脑”。具体来说是意图识别（特征抽取，多维分类模型，中文语法分析），命名实体识别（信息抽取泛化，结构化资源库），应答引擎（交互式场景，记忆能力，一问多答）。
2. 机器学习，通过和用户的交互以及互联网数据挖掘开展的学习是JIMI能自动完善自身的知识数据，并随时间推移越来越强大和智能，具体有监督、半监督和无监督学习，基于用户反馈的学习（负责成百上千各模型的效果自动提升），评测体系和异构信息融合与挖掘（基于海量多类型数据挖掘并构造结构化知识库）。
3. 基于用户画像的咨询服务，通过分析用户基本资料，历史行为和动作轨迹，构造用户个人信息库，使JIMI能准确的了解用户的性格，爱好、习惯，做出优质的个性化服务。

谈到JIMI的未来，他表示，会进行开放式的智能服务，提供跨平台的电商客服智能化解决方案以及一些更加贴近生活的开放式的个人定制类型的机器人。

更多嘉宾观点，请关注大会直播专题（持续更新中）：https://special.csdncms.csdn.net/ccai2015/。（编辑：周建丁）

本文为ImapBox原创文章，未经允许不得转载，如需转载请联系market#csdn.net(#换成@)