人類似乎著迷于讓機(jī)器玩游戲，早在 1770 年就有發(fā)明家發(fā)明了國(guó)際象棋游戲機(jī)，名為「土耳其機(jī)器人」，他們聲稱這臺(tái)機(jī)器可以擊敗任何一名游戲玩家（其實(shí)這是一個(gè)人工智能騙局）；1997 年 IBM 的超級(jí)計(jì)算機(jī)深藍(lán)在比賽中擊敗卡斯巴羅夫，成為第一個(gè)在標(biāo)準(zhǔn)比賽時(shí)限內(nèi)擊敗國(guó)際象棋世界冠軍的電腦系統(tǒng)；之后由 DeepMind 哈薩比斯領(lǐng)銜的團(tuán)隊(duì)開發(fā)了 AlphaGo，這是第一個(gè)擊敗人類職業(yè)圍棋選手、第一個(gè)戰(zhàn)勝圍棋世界冠軍的智能體。

為什么眾多研究者對(duì)生物體的信息傳輸和感知方式感興趣？坦率地講，這是因?yàn)樯矬w優(yōu)于當(dāng)今的計(jì)算技術(shù)，今天的計(jì)算技術(shù)似乎正在迅速達(dá)到極限。商品傳感器產(chǎn)生的數(shù)據(jù)太多，計(jì)算機(jī)無法理解，這些計(jì)算機(jī)在試圖理解它們時(shí)消耗了太多的能量。然而在生物界，不起眼的蚊子，它的大腦僅由大約 200000 個(gè)神經(jīng)元組成，但它的飛行控制和避障能力卻遠(yuǎn)遠(yuǎn)優(yōu)于人類構(gòu)造的任何東西；在能耗方面，蜜蜂的大腦有 100 萬個(gè)神經(jīng)元，功耗卻只有 0.1mW；人類大腦只需消耗約 20 W 的能量就能夠滿足日常工作，行動(dòng)等。但對(duì)于機(jī)器來說，以 GPT-3 為例，單次訓(xùn)練的能耗就相當(dāng)于 126 個(gè)丹麥家庭一年的能源消耗。這就是生物智能，與傳統(tǒng)人工智能之間一個(gè)很大的差別。

截止目前，哪怕是最先進(jìn)的超級(jí)計(jì)算機(jī)，其復(fù)雜程度也無法與大腦媲美。計(jì)算機(jī)是線性的，主要依靠高速中樞，在中央處理器和存儲(chǔ)芯片之間實(shí)現(xiàn)數(shù)據(jù)的傳輸。相比之下，大腦則處于全方位的互聯(lián)狀態(tài)，其密度和多樣性均是現(xiàn)代計(jì)算機(jī)的數(shù)十億倍。近年來，計(jì)算機(jī)微型化使得傳統(tǒng)計(jì)算性能得到大幅提升，但存儲(chǔ)器與中央處理器之間數(shù)據(jù)的傳輸會(huì)消耗大量能源，產(chǎn)生多余熱量，這一瓶頸限制了計(jì)算機(jī)的進(jìn)一步改進(jìn)。

近年來，受大腦神經(jīng)系統(tǒng)的啟發(fā)，神經(jīng)形態(tài)計(jì)算成為人工智能領(lǐng)域的一個(gè)重要研究方向，近日，來自澳大利亞西悉尼大學(xué)國(guó)際神經(jīng)形態(tài)系統(tǒng)中心（ICNS）的研究者構(gòu)造了一個(gè)神經(jīng)形態(tài)機(jī)器人來玩桌上足球。

用神經(jīng)形態(tài)傳感器追蹤運(yùn)動(dòng)的小球

首先 ICNS 構(gòu)建了一個(gè)可以玩彈球機(jī)（pinball）的小型機(jī)器人 demo，該機(jī)器人可以將三個(gè)小球保持在桌子上，演示效果與人類玩家大致相同。令人驚訝的是，與常見的深度學(xué)習(xí)系統(tǒng)中有數(shù)十萬或數(shù)百萬個(gè)人工神經(jīng)元不同，這種微小的神經(jīng)形態(tài)僅使用兩個(gè)人工神經(jīng)元就可以解釋和作用于基于事件的成像器的輸入。

在彈球游戲上取得了不錯(cuò)的效果之后，該團(tuán)隊(duì)認(rèn)為需要一項(xiàng)更復(fù)雜和要求更高的任務(wù)來進(jìn)一步推動(dòng)神經(jīng)形態(tài)研究，因此將目光轉(zhuǎn)向了桌上足球。

桌上足球所有動(dòng)作都發(fā)生在二維空間中，只需要八個(gè)電機(jī)來控制桌子上的小人物即可，但這實(shí)現(xiàn)起來比想象的要困難得多。多年來，人們?cè)啻螄L試構(gòu)建機(jī)器人桌上足球，都取得了不同程度的成功，但都沒有使用神經(jīng)形態(tài)傳感器。

一般來講，使用神經(jīng)形態(tài)傳感器跟蹤球很容易，然而，桌上足球是一種更具動(dòng)態(tài)性的游戲，尤其是當(dāng)涉及人類玩家時(shí)，每個(gè)人都有不同的策略，他們的動(dòng)作并不總是合乎邏輯或者必要的。

有些研究者嘗試使用非神經(jīng)形態(tài)解決方案（例如深度學(xué)習(xí)）來玩桌上足球，然而深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)的處理方式（通常在 GPU 上）不太適合此類任務(wù)，因?yàn)?GPU 不是一次只處理一幀，而是處理批量圖像。在桌上足球中，玩家不關(guān)心球過去在哪里，甚至都不關(guān)心球現(xiàn)在在哪里；他們真正關(guān)心的是球接下來會(huì)在哪里。

其次，研究者發(fā)現(xiàn)深度學(xué)習(xí)方法對(duì)問題的微小變化極為敏感，攝像頭的輕微晃動(dòng)、球員向不同方向拉動(dòng)時(shí)球臺(tái)的輕微傾斜，甚至照明條件的變化都會(huì)導(dǎo)致深度學(xué)習(xí)球跟蹤器的性能崩潰。

ICNS 的研究著眼于更簡(jiǎn)單、更快的神經(jīng)形態(tài)網(wǎng)絡(luò)，這些算法處理來自相機(jī)的每個(gè)事件（在神經(jīng)形態(tài)計(jì)算中也稱為脈沖），并使用它們來更新球位置估計(jì)。

該神經(jīng)形態(tài)網(wǎng)絡(luò)沒有使用大量的神經(jīng)元層，而是使用 16 個(gè)小型模式識(shí)別網(wǎng)絡(luò)，每個(gè)網(wǎng)絡(luò) 18 x 18 像素，因此在游戲中的任何時(shí)候都只需考慮 364 個(gè)像素，這使得該網(wǎng)絡(luò)非?？焖偾液軠?zhǔn)確。速度是至關(guān)重要的，因?yàn)槭录?qū)動(dòng)算法需要跟上相機(jī)產(chǎn)生的時(shí)間敏感數(shù)據(jù)，每個(gè)事件只需要一些小而簡(jiǎn)單的計(jì)算。雖然這個(gè)系統(tǒng)不會(huì)對(duì)經(jīng)驗(yàn)豐富的球員構(gòu)成太大的威脅，但該網(wǎng)絡(luò)跟蹤已經(jīng)可以阻擋對(duì)方的球，而進(jìn)球得分仍是一項(xiàng)正在進(jìn)行的工作。

原則上，深度學(xué)習(xí)可以執(zhí)行類似的操作，但它需要查看整個(gè)圖像，并對(duì)網(wǎng)絡(luò)的每一層執(zhí)行更多數(shù)量級(jí)的計(jì)算。這不僅比該系統(tǒng)使用的數(shù)據(jù)多得多，而且還有效地將事件驅(qū)動(dòng)（event-driven）的輸出轉(zhuǎn)換回幀。

目前，ICNS 的算法基于記錄的事件數(shù)據(jù)離線訓(xùn)練，使用了一種遺傳最優(yōu)解算法，既可以學(xué)習(xí)球的外觀，也可以很好地估計(jì)它接下來的位置。該算法學(xué)習(xí)如何從數(shù)據(jù)本身中識(shí)別球，而不是通過任何編碼。此外，算法還從球的實(shí)際移動(dòng)方式中學(xué)習(xí)，而不是基于對(duì)球的移動(dòng)預(yù)期，這一點(diǎn)很關(guān)鍵。

下一步，ICNS 將把基于離線訓(xùn)練的學(xué)習(xí)遷移到實(shí)時(shí)在線學(xué)習(xí)，讓網(wǎng)絡(luò)在游戲進(jìn)行中不斷學(xué)習(xí)和適應(yīng)。這或許有助于系統(tǒng)對(duì)其訓(xùn)練所在的特定桌子的靈敏度。

這種事件驅(qū)動(dòng)算法是使用脈沖神經(jīng)形態(tài)硬件（neuromorphic hardware）工作的算法的中間步驟。目前已有一些受大腦啟發(fā)的處理器，包括英特爾的類腦芯片 Loihi、世界首家神經(jīng)形態(tài)處理器商業(yè)生產(chǎn)商 BrainChip 的 Akida，它們將信息編碼為脈沖序列，并與基于事件的傳感器自然契合。一旦有了穩(wěn)定的脈沖算法，神經(jīng)形態(tài)計(jì)算就將取得更多進(jìn)展。

最后，ICNS 團(tuán)隊(duì)表示，在設(shè)計(jì)機(jī)器人玩桌上足球時(shí)，他們專注于降低成本并開源整個(gè)項(xiàng)目。