期刊名称：人工智能 创刊时间：2017年12月 主管单位：工业和信息化部 主办单位：中国电子信息产业发展研究院、赛迪工业和信息化研究院（集团）有限公司 刊期：双月刊 国内统一连续出版物号：CN 10-1530/TP 国际标准连续出版物号：ISSN 2096-5036 邮发代号：80-381 电话：010-88558766 email：aiview@ccidmedia.com
类脑计算是借鉴人脑存储处理信息的方式,面向人工通用智能发展的新型计算技术,类脑计算系统是基于神经形态工程,打破"冯·诺依曼"架构束缚、适于实时处理非结构化信息、具有学习能力的超低功耗新型计算系统。它是人工通用智能的基石,拥有极为广阔的应用前景。这项研究目前处于起步阶段,尚未形成公认技术方案。本文将从为什么(why)、做什么(what)和怎样做(how)三方面,总结分析类脑计算及芯片面临的挑战和可能的解决方法,重点介绍天机类脑计算芯片和系统,探讨如何利用软硬件结合发展人工通用智能。
脑认知神经环路的连接图谱、编码模式、动力学过程、学习规则等信息处理机制,为构建人工智能系统提供了结构、算法和功能上的依据,从而为人工智能算法的发展提供系统化的理论框架。借鉴脑的信息处理的基本原则,开发脑启发算法、研制类脑智能系统,成为人工智能研究的重要方法和途径,在世界范围内逐步成为一个新兴的研究方向。脑科学对记忆神经环路的研究,初步揭示了动物在环境中导航的神经基础,为研究机器人的空间认知和智能导航系统提供了参考范例。本文对大脑内在的空间定位系统和类脑导航这一学科交叉领域做简要综述,通过回顾和展望,探讨发展基于理解型学习、具有可解释性和安全性的人工智能系统的可行性。
神经形态计算是一种通过构建类似动物大脑结构的计算架构以实现能够模拟神经生物过程的智能系统的新型计算模式,它能极大地提升计算系统的感知与自主学习能力,可以应对当前十分严峻的能耗问题,并有望颠覆现有的数字技术。在进行了长期前沿探索后,科研界有关神经形态计算的研发工作在近年取得了快速进步。
类脑计算革命已经展开,世界各国脑计划陆续出台、稳步推进,以期占领类脑计算制高点。根据Gartner分析报告,类脑芯片最快将于2023年成熟,能效比有望较当前芯片提高2-3个数量级,2024年将达到65亿美元市场规模。我国若要实现类脑计算领域的内生式发展,不仅要在基础元器件和芯片方面实现突破,也要在体系结构、基础软件、智能理论与算法等方面同步推进。
近年来,以深度神经网络为代表的人工智能得到快速发展,引起社会各界的广泛关注。随着计算能力的提升和大数据时代的来临,深度人工神经网络在图像的分类和检测、序列学习等领域已取得令人瞩目的成绩,在围棋、星际争霸等竞技游戏中也超越了人类的顶尖选手。但是,人们普遍认为,在目前的人工智能与类人的通用智能之间,还存在巨大的能力鸿沟。而大脑作为实现了通用智能的唯一样本,为今后人工智能的发展提供了一个绝佳的参照。本文就大脑智能的两个重要方面,即连续学习和情境学习进行介绍,并结合类脑计算领域相关的最新进展,讨论这一研究方向将如何促进神经网络逐步迈向高适应性通用智能。
尽管技术在进步,但癌症的准确检测、分型以及监测方面仍面临着挑战。近年来,人工智能在医学影像中应用的发展,使其有望为影像学检测、治疗决策及随访观察的临床工作流程带来变革,并在未来创立新的工作模式。本文简单总结了中枢神经系统肿瘤临床诊治过程中存在的问题、现有方法如何努力去解决这些问题以及未来AI的可能应用方向。
以人脑为代表的生物大脑能在保持低功耗的前提下具备较高的通用智能水平,因此解析大脑工作机理以发展类脑计算,有望成为克服现有深度学习"需要海量标注数据、通用智能水平低、高度依赖计算力"等不足的有效方法。类脑计算的基础是被称为第三代神经网络的脉冲神经网络,这意味着类脑计算的重要工作之一是研究适合脉冲神经网络计算的高性能、低功耗的体系结构。工作负载表征作为体系结构研究的重要手段同样也应该在类脑体系结构研究中发挥重要作用。本文分析了类脑体系结构及工作负载表征领域的研究现状,指出了基于工作负载表征的类脑体系结构研究的可能思路与方法。
为早期诊断神经精神性系统性红斑狼疮(Neuropsychiatric Systemic Lupus Erythematosus, NPSLE),本文讨论研究建立一种新的多体素磁共振频谱(Magnetic Resonance Spectroscopy, MRS)机器学习模型。该方法回顾性研究23例确诊的NPSLE患者和16例健康对照者(HC),均行3.0TMRI多体素磁共振频谱检查。研究表明,通过建立基于SVM的MRS机器学习模型,可以显著提高多体素MRS采集的代谢特征对早期诊断NPSLE的准确性。这为人工智能在医学影像中的应用以及智能辅助诊断系统的开发提供了新思路。
人工智能是计算机科学领域的一个重要分支,机器学习是人工智能领域重要的组成成分,机器学习使计算机能够模拟人类的学习行为,自发地通过学习来获得知识和生活技能,也能在学习的过程中不断改善自身性能,从而实现自我改善。生物信息学是将数学和计算机科学应用于生物分子信息的索引、分类与分析等方面的一门交叉学科,目的是研究生命科学中各种生物信息所代表的生物学意义。由于生物信息学领域数据的特点和需求,人工智能领域特别是机器学习很多算法已经在该领域应用广泛,有力地推进了生物信息学的发展。本文就机器学习技术在生物信息学中的应用及研究进展作一综述。
胶质瘤是一组具有胶质细胞表型特征的神经上皮肿瘤的总称,是最常见的原发性颅内肿瘤。根据WHO中枢神经系统肿瘤分类,胶质瘤的组织学级别越高,预后越差。除此以外,异柠檬酸脱氢酶1及2(IDH-1/IDH-2)基因突变的患者预后要好于没有突变的患者。一直以来,影像科医生致力于术前诊断出胶质瘤患者的组织学分级与基因分型。但人眼识别始终存在局限,而计算机可以从图像中提取大量特征。本研究将利用计算机分析影像学图像,用机器学习训练出识别胶质瘤分级及IDH分型的分类模型。最后使用十折交叉验证评估该模型,得到了良好的结果 ,为计算机系统术前诊断出胶质瘤分级与IDH分型做出了一定贡献。
近年来,深度学习在计算机视觉、自然语音理解等诸多领域取得了重大突破。医学磁共振成像是现代医学成像领域最有发展潜力和应用前景的前沿技术之一,本文针对深度学习在磁共振成像图像重建和射频热点分布定量计算中的应用展开概述,分别介绍了基于数据驱动、模型驱动和数据-模型综合驱动的深度学习磁共振成像图像重建方法,以及深度学习在射频热点分布定量计算研究中的应用,供读者参考。
知识图谱是人工智能类脑计算的关键基础设施,是一种知识存储与管理的形式。通用知识图谱已经取得了较好的进展,而特定专业的领域知识图谱构建则面对着可用语料少、领域专家稀缺以及样本标注困难等冷启动问题。本文重点描述了北京理工大学计算机学院团队在小样本基础上构建领域知识图谱的两种解决方案:KGB知识图谱人机引擎,以及小样本深度学习的知识抽取方法。本文还展示了其在情报分析方面的应用。