2017年5月21日，由中國人工智能學會、中文信息學會主辦，億歐承辦的2017全球人工智能技術大會在北京國家會議中心拉開帷幕。5月22日上午，腦科學與人工智能分論壇正式開始。
四川大學計算機學院教授唐華錦在論壇上進行了“仿腦GPS：基于神經科學的機器人定位與導航”的演講。以下是對其演講的速記整理。
唐華錦：大家好，很高興有機會跟大家分享我的工作，剛才幾位老師較多的討論了神經科學方面的很多深入的研究，我這里主要結合說怎么樣從神經科學或者腦科學到人工智能，今天主要談一下機器人的智能。
先解釋一下仿腦GPS，是指在大腦里面也有一個類似的GPS系統，這里是有一個神經科學的基礎。我是在四川大學計算機學院，這個神經形態計算廣范圍的類腦計算研究中心，大致做了這樣幾個方面：
從電腦計算的基礎出發，宋森老師談到很多，跟他們學到很多東西這是計算神經學的范疇。在此基礎上做感知信息處理，神經形態的智能硬件。人工視網膜、人工聽覺處理信息。
并在此基礎上構造大規模認知的計算網絡，怎么樣模擬基于脈沖的計算程式實現大范圍復雜的計算，大家知道深度學習是個顯學，大致門口瀏覽了一下人比較多，但是我覺得下一步怎么樣真正從大腦的計算結構里面建立這樣一個更加高效、更加智能的計算網絡是類腦計算主要的目標之一。
另外把它硬件化，實現一個類腦芯片、類腦軟件。潘老師提到他們在類腦芯片里面做的比較多，還有IBM的比較了解。其實跟類腦計算結合非常緊密的就是智能機器人，因為我們知道智能最終的表現形式是一個叫做載體或者交互實現的，機器人是一個真正智能的載體。
這次大會是人工智能，所以我談一下結合人工智能，剛才趙總提了這個報告，2030年的人工智能，這里面提到一個概念，專門把神經形態計算列作下一代的人工智能技術之一，大家如果對這個領域比較陌生的話，關注去年的這份人工智能報告。在之前神經形態計算是非常冷門的一個術語甚至一個課題。
從我的理解來說，神經形態計算主要做這幾方面， 從微觀到宏觀，微觀的角度探索是神經電路、單個神經元的角度，和宋森老師講的神經環路，還有神經的編碼機制，記憶編碼機制，突出學習機制，這是微觀角度這一塊。
第二從宏觀來說怎么樣從底層電路、神經元他們之間的連接來實現高級智能？這就需要有很多種方式，比如通過一些具體的任務，我們主要著力點在于做機器人認知。今年5月剛剛出版了一本書《Neuromorphic Cognitive Systems》，系統地介紹了這方面的研究成果。
今天側重點講機器人， 機器人經歷了這樣的發展方式，當然每個人總結有不同的方式，從工業機器人主要注重規劃控制方面，到特種機器人注重移動和多地的適應性，現在比較熱的是服務機器人，大家在大廳里可以看到非常漂亮的機器人，適應性和環境感知。再往后達到終極目標是智能機器人，給機器人一個類人的大腦，具有自我感知，理解和學習能力。
為什么我們認為機器人要用神經科學方法或者類腦的方法做呢？做一個比較，目前的機器人所謂的對空間環境的感知能力是依賴于對世界的精確建模，需要一個精確的世界模型，需要對空間有比較精準的理解，比如還有依賴精確的感知傳感器，激光、視覺這些，甚至雷達，如果智能駕駛會依賴更加昂貴的傳感器。
人在環境下有非常好的空間地位感知導航能力，其實人的視覺、聽覺都是非精確的傳感器，但是能夠幫助人完成一個非常精確可靠、自適應的空間的認知能力。
所以這里神經認知機器人就是從信息獲取處理到執行，依賴的是腦科學里面對于空間感知這一塊，海馬體腦皮層神經回路的理解。
這里歸納一下，目前在神經科學里面甚至一些生理學里面得出的動物導航理論，研究比較多的是大鼠，潘老師提到大鼠導航的神經科學研究比較多，其實在之前還有研究蜜蜂、鴿子和海豚的導航，歸納了幾種，一個叫beaconing，蝙蝠的能力。
路徑導航的方式，昆蟲和蜜蜂可能運用這幾種方式。另外結合了path integration，鴿子做路徑積分找回路徑甚至返回。還有鳥類長距離遷徙和定位，依賴于地磁場。
這是一種看法，我們關注在哺乳動物，左側下處兩個例子，蝙蝠和老鼠具有準確的空間定位。為什么研究蝙蝠和老鼠呢，因為在神經科學里面它們都屬于哺乳動物，都具有類似的神經科學機制。舉個例子，蝙蝠從一個洞里跑到樹上尋找食物，科學家發現它的位置細胞精度是不斷變化的，或者它的位置感受會從細到粗，從粗到細，取決于當地的豐富程度和精細度，粗糙的圖象或者周圍的地標不豐富的情況下，它的位置感知也會增大，變的模糊，這是對環境的自適應能力，造成多尺度空間表達的特點。
舉了兩個哺乳動物的例子，大鼠和蝙蝠它們具有類似神經科學的基礎，發現了幾種細胞，位置細胞、網格細胞、邊界細胞、頭方向細胞。 人或者動物具有一個方向的感受性，專門有一個細胞做這個事情。
對人的位置細胞沒有辦法像大鼠一樣真正進行大腦的解剖，之前人的大腦有沒有存在這樣的，之前也沒有很好的研究，大概08年神經科學做了一些實驗，證明人大腦里也有這樣的細胞。
比如人通常做的定位與感知也是這個方面，你看到一個圖象，依據周圍的圖象環境來判定你在哪里。到了另外一個位置，負責另外一個位置的細胞被激活，告訴你另外一個位置，這是自我感知的方式。最大的技術就是路徑積分，比如我閉上眼睛走到門口，視覺已經不接受信息了，這個就叫路徑積分。
一開始本身并沒有說要做一個機器人，純粹從解析大腦的認知計算機理出發，最早德國的科學家提出一個概念叫 認知地圖，直到1972年諾貝爾生理醫學獎也提出一個基于大腦的設備，最早叫類腦設備的概念，提出智能必須通過與物理世界的交互來實現。
另外一個HMAX的深度學習網絡感知模型，提出感知的深度網絡。右側的年輕科學家他依據大鼠的生物模型構造了空間的感知。
這里提到三個科學家，2014年獲得諾貝爾生理醫學獎，因為前期70年代發現了位置細胞，但是直到2000年左右才發現另外一個細胞網格細胞，有網格細胞，人才能閉眼從這里走到門口的功能。這代表神經科學巨大的進步，怎么樣從簡單的神經元獲得高級的認知功能。
通常之前研究的神經科學、神經元只是計算，至于認知和記憶怎么從神經元產生，沒有具體的模型，對空間認知這應該是第一個完整的模型，從單個神經元到復雜認知的完整形式。
大腦GPS系統從位置細胞、構建空間模型到下一代，到05年發現grid cell完成解析了大腦的GPS系統。簡單來說特定位置對特定空間有個感受有發放的特性。隨著大鼠走到固定位置就會監測不同的神經元發放，不同的環境具有非常可靠的環性，在不同位置監測都會監測到這個性能。
網格細胞的特點就是它在空間的發放可以存在六邊型或者網格狀，海馬體左側灰色的結構，網格細胞在藍色的結構，靠內嗅皮層，網格細胞通過長時間的實驗之后發現老刷具有這樣一個特性，這個網格細胞對這個空間里面呈現的網格發放的特性，如果記錄完這個神經元的活動之后把圖畫下來呈六邊形。
所以基于這樣一個生物機理構建一個肌體里面路徑積分的模型，來構造機器人的軌跡，從A到B到C三個發放特性就可以推測機器人的軌跡。但是并沒有給出網格細胞、位置細胞的連接方式，告訴他們之間有連接，但是中間如何連接、如何學習這是我們做大量的計算模型來得出的，所以構造一個模型就是依據海馬體獲得自定義信息，網格細胞路徑積分的功能，共同協作來產生對空間的記憶，構造認知導航模型。
依據神經的斯達姆系統有頭朝向細胞、網格細胞、位置細胞，位置細胞接觸網格細胞的輸入，同時反饋給網格細胞進行所謂的校準作用，走道一個路徑發現路徑有偏差了，是靠視覺信息重新做一個糾正功能，這就是位置細胞給網格細胞一個反饋。當然在機器人里面不可能完全實現神經科學所有神經元的模型。
前面提到一個澳洲科學家做的ratSLAM模型，是基于位置信息做的模型，后期我們做了一個能夠結合網格細胞的功能，更加準確的在復雜環境下、實際環境做導航。
一個模型的例子，我們構造了機器人的位置導航系統，一個視頻就是它所接受的視覺輸入完全模擬大腦對空間的定位系統、對空間的反應。
這個導航叫gSLAM，它完整實現了大腦的GPS系統，具有非常好的數據生物的擬合性對實際空間的可靠的導航能力。
當然還有很多問題沒有解決，或者我們團隊繼續做了一些東西，一是grid cell和place cell的關系；另外是如何提取記憶及識別環境中的關鍵信息，what和where的協作，大家談的是模式識別的智能，但是被空間感知是另外一個重要的人工智能，人工智能有包含多個成分。
其中邏輯、語言大家了解的比較多，但是對空間智能了解的不多。另外一個是如何建立語義、知識空間與place cell和grid cell的結合，這個系統可以展現的功能會變的更加強大，它是一個開放的系統，不需要打補丁的方式做。
當然構造機器人的大腦需要多學科的共同努力，需要從大量神經科學中獲得有用的知識，向他們學習。另外人工智能、機器學習的模型，做CMOS芯片、納米神經形態器件芯片怎么樣實現。另外還有感知信息處理，需要多個領域多個科學家的合作，神經科學、機器人科學家、做機器、硬件的科學家合作。
今天人工智能在腦科學里面做的工作還遠遠不夠，舉個例子，跳蜘蛛非常不起眼，但是它有非常好的空間處理能力，還有非常好的視覺精度，對這樣一個大腦只有大概幾毫米，我們對它的理解還是非常少，所以神經科學或者腦科學里面包含了非常多的、非常好的智能算法需要學習。
大腦的復雜性使得應用神經科學非常困難，正因為此，這樣的工作成就都會讓人非常興奮，歡迎大家投入到腦科學和人工智能工作中來，為我們這個論壇做一個號召。
