騎自行車和開飛機哪個更難？與大多數人想當然的答案“開飛機”不同，計算機科學家給出的答案是騎自行車。

如果要實現無人駕駛自行車，除了需要解決啟動、加速、勻速前行、轉彎、變道、避障等動作外，還需要面對識別紅綠燈和機動車車道、語音信號、感知周圍環境，還要感知周圍人車的速度以及預判變道對周圍人車是否產生干擾。而大部分民航飛機上都安裝了自動駕駛系統。

用美國加州大學圣塔芭芭拉分校博士后鄧磊的說法，比起自動駕駛飛機，無人自行車看起來很小，但實際上是一個五臟俱全的小型類腦技術平臺，“這實際上是對我們的考量”。

如今這個考量過關了。清華大學類腦計算研究中心主任施路平團隊的人工通用智能芯片“天機芯”（Tianjic）讓無人駕駛自行車成為現實。

這是一款被賦予了巨大野心的人工智能芯片。8 月 1 日，這個研究作為封面文章發表在了《自然》雜志（Nature）上（下稱 Nature 論文），封面標題是《雙重控制》（Dual control）。

無人自行車問世

施路平和同事研發了一款實現異構融合的電子芯片，這款名為“天機芯”的芯片可以整合現有人工網絡算法，類腦的脈沖神經網絡算法，同時支持神經科學發現的眾多神經回路網絡和異構網絡的混合建模，發揮它們各自的優勢。在自行車上利用一塊“天機芯”同時運行了包括卷積神經網絡在內的 5 種不同神經網絡，實現了無人自行車駕駛。

這個無人智能自行車系統包括了激光測速、陀螺儀、攝像頭等傳感器，剎車電機、轉向電機、驅動電機等致動器，以及控制平臺、計算平臺、天機板級系統等處理平臺等。

無人自行車可以實時感知周圍環境，跟隨前方的試驗人員并自動進行避障的操作，并根據語音指令、視覺感知的反饋產生實時信號對電機進行控制，以達到保持平衡，改變行進狀態（包括橫向和縱向）。這款自行車實現了多模態信息集成，能夠維持平衡，并跟據目標人物的位置控制自行車轉向，完成實時追蹤。

施路平認為，人工通用智能芯片能夠成功，多學科深度融合才是關鍵。

讓大腦攜手電腦來實現人工通用智能

目前基于馮·諾依曼架構的計算機擅長的是解決有充足大數據、完整靜態知識的確定性問題，比如深度學習在圍棋比賽、圖像識別等領域已經完勝人類，但它還不能解決沒有那么多數據的、動態知識不夠多的模糊性問題。要知道人的大腦在能耗只有 20 瓦的前提下可以并行解決視覺、聽覺、嗅覺、觸覺等多模態信息，甚至能夠在有限經驗的時候舉一反三。

計算機和人類各有所長，人們需要打通兩者的鴻溝。施路平認為，人工通用智能是一個必然的趨勢，而異構融合，也就是讓兩種計算結合正是這把鑰匙。

Nature 論文的共同第一作者鄧磊在其清華大學博士論文《異構融合類腦計算平臺的計算模型與關鍵技術研究》中提到，類腦計算的本質應該是通過借鑒大腦信息處理的方式，獲得解決人工通用智能問題的能力，而深度學習和神經形態都只是實現理想類腦計算的手段。他的導師、清華大學儀器科學與技術研究所副研究員裴京是 Nature 論文的第一作者。

Nature 研究的核心是這款異構融合的芯片，它是一款特別的人工智能芯片。它結合了類腦計算和基于計算機科學的人工智能。這也是 Nature 封面為何是“雙重控制”的原因。

異構融合的人工智能是一種多模態系統。駕駛自行車就是一個多模態任務，它需要語音識別，也需要視覺識別和追蹤，這需要自行車上的電機或者傳感器來發送和接受信息數據，而系統對兩者信息處理的編碼模式是不一樣的，這就是所謂多模態。那么這個復雜的多模態任務就成了施路平團隊驗證其異構融合成果的展示平臺。

對于“天機芯”的未來應用前景，裴京表示，由于這是一款異構融合芯片，因此不管是深度學習加速器還是神經形態芯片能夠做到的事情，“天機芯”都能完成。同時，兩者的結合能夠完成一些原本單獨無法完成的任務。

比如在運動視頻分析中，若使用機器學習算法模型，由于傳感器輸出數據的速度有限且數據量大，通常會造成卡頓；用神經形態的方法，雖然數據量較少，但同時精度也會降低不少。而將兩種模態結合后，則能在兩者之間在代價和功能方面進行很好的平衡。

除了無人自行車，該芯片在自動駕駛汽車、智能機器人等領域上也有極大的發揮空間。此外，因其低能耗、低成本，這個芯片會在家庭和服務性場景中得到廣泛應用。

據施路平透露，目前，“天機芯”已經在北京靈汐科技有限公司開始進行下一步開發。

專訪施路平團隊：如何理解異構融合?

DeepTech：如何理解異構融合？為什么說將類腦計算和機器學習融合是一個更好的做法？

施路平：異構融合有基于電腦的一套計算范式，也有基于人腦的一套計算范式，從大的思路上來講，我們希望把這兩個范式能夠融合起來，因為它的特點是能夠互補。

我們認為現在的計算機是將多維的信息轉換成一維的信息流，主頻越來越快，換句話說這是利用了時間復雜度；而在人腦中，一個神經元連接著 1 千到 1 萬個神經元，這是利用了空間復雜度，且大腦是利用脈沖進行編碼，換句話說這就引入了時間復雜度，因此代表了時空復雜度。

類腦計算就同時具備了空間復雜度和時空復雜度，這就是異構融合。事實上，異構融合的架構包含了多層的信息，有類腦和電腦的融合、計算和存儲的融合、空間復雜性和時間復雜性的融合、空間編碼和時間編碼的融合，還有精確計算和近似計算的融合。

DeepTech：在實現通用人工智能的過程里，將人腦思維、計算機思維結合到一起的做法是不是業界、學界的共識？是否有其他的實現路徑？

施路平：將兩者結合的方法得到了很多業界人士和學者的認可，但核心的難度在于這是一個跨學科的研究，因此能夠組織起多個院系共同研究的團隊還不多。

此前所有來到清華交流的學術團隊都認為我們這種交融和交叉模式是最成功的一個類腦計算的模式。同時歐洲也有團隊將這種融合的模式作為一個課題提出。

DeepTech：如果是說我有兩個芯片，一個芯片是類腦芯片，一個是電腦芯片，那么兩個芯片能在同一個機器人身上運行實現異構融合效果嗎？

施路平：這樣不能實現異構融合。你這個問題在論文審稿的過程當中討論過。從原理上講可以，但是從實際上講很難。為什么很難？兩個芯片有不同的接口，其速度、性質、編碼匹配，運行起來很困難。經過了反復論證，審稿人最后接受了我們的解釋。

有審稿人問，同一個芯片上兩個模塊的協作和兩個不同模塊的芯片協作有何不同？要理解這個太復雜了。這相當于大腦的黑匣子，我們對大腦知之甚少，對左腦和右腦的協作知之甚少。這也是我們碰到的最難的問題之一。

DeepTech：在這個無人自行車試驗中，我們能看到的哪些方面（或功能）是體現模擬人類大腦的，哪些方面（或功能）是體現機器學習算法的？

鄧磊：自行車的語音識別、環境感知、平衡控制、避障等功能都需要背后的模型算法提供支持才能實現，這其中就包括了不同模態的模型。如語音識別、自主決策以及視覺追蹤是模擬大腦的，而目標探測、運動控制以及躲避障礙等，則需要通過機器學習算法完成。

傳統的人工智能芯片僅能支持單一類別的模型，如深度學習或計算神經科學的模型，而“天機芯”則實現了多模態模型的交互。

DeepTech：“天機芯”是兩者結合的完美結果嗎？

施路平：我們認為，“天機芯”是到目前為止最完美的結果。未來還會怎么樣？我們還會進一步的完善。這正是類腦的思想，就是大腦里頭的噪聲，它實際上和電路里的噪聲不一樣，它是一個試錯機制。試錯迭代發展，這是我們發展類腦計算的一個重要的基本原理，所以我們會基于這樣的原理，不斷地來完善。

DeepTech：施教授曾說過，類腦智能有一個通用的智能核，可以幫助我們解決各種問題，那么在你看來類腦智能的發展有幾個階段，如今到了哪個階段？

施路平：我認為人類腦智能實際上是通用智能，我們實際上是基于一個通用的智能體來幫助我們解決所有的問題。原則上，人工通用智能平臺可以執行人類能夠完成的所有任務。

因為我們會做到舉一反三，我們解決一個問題，那么可以幫助我們解決另外的問題。而現有的專用人工智能只能對一個問題提出一個解決方法，所以我們需要發展人工通用智能。

至于發展人工通用智能需要幾個階段，我們目前還只是有一些粗淺的認識。我們看清楚的一點是，我們需要一步一步把前述 5 個融合的限制（即充足的數據、確定的問題、完整的知識、靜態和單一的問題）一步一步地來解決，這起碼作為一個階段。我們還需要找到不同領域的解決方案，這是第二個階段。

至于往后，我們相信還會有不同的階段。因為這個領域是非常具有挑戰性，我們在目前還不敢對這個問題妄下結論。這正是研究的魅力。

媒體聲音

《麻省理工科技評論》認為，這款無人自行車顯示出中國在 AI 芯片領域研究水平的提升。文章稱，盡管還不能制造最先進的計算機芯片，但中國在制造特別領域的芯片水平不輸于任何人。

《新科學家》引述博世公司（Bosch）Alessandro Oltramari 看法稱，這種混合芯片有可能會解決任何問題，只是通用人工智能還有很長一段路要走。“天機芯”還需要在其他任務中證明其通用人工智能的能力，如操縱物體、玩游戲或進行對話。

Alessandro Oltramari 認為，這個芯片不是在試圖復制人類大腦，而是在模仿人類的思維方式，如注意力、記憶力和預測能力。

參考文獻：
https://www.nature.com/articles/s41586-019-1424-8
https://www.technologyreview.com/f/614042/this-autonomous-bicycle-shows-chinas-rising-ai-chip-expertise/
https://www.newscientist.com/article/mg24332414-000-this-self-riding-bicycle-follows-you-around-while-you-walk/