貿(mào)澤電子的 Rafik Mitry 采訪 Alois Knoll 教授

在我們接下來的談話中，Knoll 介紹了他目前的研究、Edge AI、Neuralink 和汽車應(yīng)用的挑戰(zhàn)。

您目前在機(jī)器人技術(shù)方面的研究重點是什么？

目前，我們專注于：

讓人工智能更安全可靠

在關(guān)鍵基礎(chǔ)設(shè)施中使用人工智能

通過人工智能優(yōu)化生產(chǎn)流程

我們還致力于兩個主要研究項目：人腦項目 (HBP) 和 Roboy。

人腦計劃

人腦計劃是一個非常大的項目，它將大腦研究和技術(shù)開發(fā)結(jié)合在一起。人腦計劃中受到廣泛關(guān)注的兩個領(lǐng)域是神經(jīng)形態(tài)處理器，另一個是神經(jīng)機(jī)器人。人腦計劃建立研究基礎(chǔ)設(shè)施以推進(jìn)神經(jīng)科學(xué)、醫(yī)學(xué)和計算。它是歐盟資助的最大的科學(xué)項目之一，也是四個未來和新興技術(shù)旗艦項目之一。該項目始于2013年，將持續(xù)10年。它在歐洲 100 多所大學(xué)、教學(xué)醫(yī)院和研究機(jī)構(gòu)擁有約 800 名科學(xué)家。

該項目的主要目標(biāo)是研究人腦的多層次復(fù)雜生物學(xué)：它是如何構(gòu)建的以及神經(jīng)元如何發(fā)揮作用。然后，應(yīng)將獲得的這些知識部署到健康、計算和技術(shù)領(lǐng)域的腦源性應(yīng)用程序中。

機(jī)器人計劃

Roboy是一個受到很多公眾關(guān)注的項目，因為它是世界上最先進(jìn)的機(jī)器人之一，其目標(biāo)是人工智能的體現(xiàn)。它是一種先進(jìn)的人形機(jī)器人，仿照人體的肌肉骨骼系統(tǒng)。Roboy 擁有肌肉和肌腱，這使其有別于關(guān)節(jié)中裝有馬達(dá)的傳統(tǒng)機(jī)器人。TUM 的 Roboy 團(tuán)隊正在開發(fā)他們的認(rèn)知系統(tǒng)，包括對話系統(tǒng)、語音轉(zhuǎn)文本、文本轉(zhuǎn)語音和記憶系統(tǒng)。第一個版本的 Roboy 于 2013 年 3 月建成，到 2019 年，Roboy 已經(jīng)能夠銷售冰淇淋。計劃到 2050 年 Roboy 將和人類一樣優(yōu)秀。

我們現(xiàn)在在 Edge AI 方面面臨什么樣的挑戰(zhàn)？他們是在軟件方面還是硬件方面（計算引擎）或道德（偏見）？

道德方面是我們始終必須注意的方面。這就是為什么我們在人腦計劃中有一個小組只處理倫理問題并且考慮到倫理方面。基礎(chǔ)是人腦的解碼仍處于早期階段。我們所知道的實現(xiàn)起來很容易，那是因為技術(shù)已經(jīng)非常先進(jìn)了。這導(dǎo)致芯片已經(jīng)商業(yè)化，甚至可以在實驗室規(guī)模上獲得。盡管如此，我們?nèi)匀豢梢云诖?，神?jīng)形態(tài)處理器將在未來的人工智能應(yīng)用中發(fā)揮重要作用。例如，SpiNNaker 系統(tǒng)開發(fā)基于在使用 Arm 架構(gòu)的定制數(shù)字多核芯片上實時運(yùn)行的數(shù)值模型。該系統(tǒng)將生物神經(jīng)網(wǎng)絡(luò)的各個方面作為電子電路上的模擬或數(shù)字副本執(zhí)行。SpiNNaker 系統(tǒng)具有 30,000 個定制數(shù)字芯片，每個芯片有 18 個內(nèi)核，總共有超過 500,000 個內(nèi)核。它還具有共享的本地 128Mbyte RAM。然后是商業(yè)神經(jīng)形態(tài)處理器，例如英特爾的Loihi。硬件開發(fā)方面的速度確實令人印象深刻。

您認(rèn)為 Neuralink 可以實現(xiàn)什么目標(biāo)嗎？

（特斯拉首席執(zhí)行官）埃隆馬斯克展示了一種生物相容性芯片，可以連接到人腦的神經(jīng)元，這是醫(yī)學(xué)研究的重大進(jìn)展。如果它的目的是治愈某些疾病，例如帕金森病，那么 Neuralink 實際上很有前途。但是，如果你期望能把音樂播放到人腦中，或者讓人類變得更聰明，我相信這是不現(xiàn)實的。盡管如此，從醫(yī)學(xué)角度來看，這對于幫助市場治愈腦部疾病來說是一個非常令人興奮的發(fā)展。

為什么汽車應(yīng)用中的人工智能不能對新事件進(jìn)行自主決策？

將 AI 引入汽車有不同的方法。一種方法是所謂的端到端方法，由 Nvidia 驅(qū)動，您只需讓汽車在不同的場景中行駛。這可以做到，但有一些困難：

泛化能力：如果出現(xiàn)另一種情況，這輛車還沒有見過，那么它不知道該怎么做。

第二個難點是可追溯性。當(dāng) AI 做出決定時，無法理解它為什么會做出那樣的反應(yīng)并做出這個決定。

例如，在高速公路上，當(dāng)適當(dāng)?shù)膮?shù)啟動并運(yùn)行時，人工智能可以輕松完成大部分任務(wù)。然而，當(dāng)你離開高速公路進(jìn)入城市時，交通變得非常復(fù)雜。

如果出現(xiàn)了 AI 不知道的問題——因為它在模型訓(xùn)練期間沒有出現(xiàn)——這仍然是一個目前沒有解決方案的主要問題。因此，直到今天市場上還沒有完全自動駕駛的汽車。這是由于當(dāng)前使用的方法。我們?nèi)匀徊恢廊绾伍_發(fā)能夠?qū)崿F(xiàn)全自動駕駛汽車的神經(jīng)網(wǎng)絡(luò)架構(gòu)。這主要不是軟件；這是方法和結(jié)構(gòu)的問題。

最后，您能給想從事AI工作的同學(xué)什么建議？

來慕尼黑工業(yè)大學(xué)攻讀機(jī)器人學(xué)、認(rèn)知與人工智能碩士吧。您將對該領(lǐng)域有一個深入的了解，并能很好地進(jìn)入機(jī)器人和人工智能領(lǐng)域的工業(yè)市場。

審核編輯hhy