2020年3月17日——英特尔研究院与美国康奈尔大学的研究人员在《自然-机器智能》(Nature Machine Intelligence)杂志上联合发表的一篇论文,展示了英特尔神经拟态研究芯片Loihi在存在明显噪声和遮盖的情况下学习和识别危险化学品的能力。Loihi仅需单一样本便可学会识别每一种气味,且不会破坏它对先前所学气味的记忆。与传统的最先进方法相比,Loihi展现出了极其出色的识别准确率。传统方法中包括一种深度学习解决方案,但要达到与Loihi相同的分类准确率,该解决方案学习每类气味需要3000倍以上的训练样本。
英特尔神经拟态计算实验室高级研究科学家Nabil Imam表示:“我们正在Loihi上开发神经算法,来模拟人类嗅到气味时的大脑运行机制。这项工作堪称神经科学与人工智能技术交叉领域的当代研究典范,并且证实Loihi有望提供重要的感知能力并使之惠及各行各业。”
这张特写照片展示了英特尔神经拟态研究芯片Loihi。英特尔最新的神经拟态系统——Pohoiki Beach,将由64块Loihi芯片组成。Pohoiki Beach已于2019年7月推出。(资料来源: Tim Herman/英特尔公司)
研究内容:英特尔和美国康奈尔大学的研究人员采用了一套源自大脑嗅觉回路结构和动力学的神经算法,对英特尔Loihi神经拟态芯片进行训练,使其能够学习和识别10种危险化学品的气味。为此,研究团队采用了一个由72个化学传感器活动组成的数据集以便对这些气味作出反应,并在Loihi芯片上配置了生物嗅觉的电路图。这款芯片迅速掌握了每种气味的神经表征,即便在明显掩蔽情况下也能识别出每种气味,这充分证明了未来神经科学与人工智能交叉研究的广阔前景。
首先,我们是如何识别气味的:如果你拿起一个葡萄柚闻一闻,水果分子就会刺激鼻腔内的嗅觉细胞。鼻腔内的细胞会立即向你的大脑嗅觉系统发送信号,一组相互连接的神经元中的电脉冲就会在这个嗅觉系统中产生嗅觉。无论闻到的是葡萄柚、玫瑰还是有害气体,你大脑中的神经元网络都会产生该物体特有的感觉。同样,你的视觉和听觉、回忆、情绪和决策都有各自的神经网络,它们都以特定的方式进行计算。
Loihi学习检测复杂混合物的不同气味:Imam和他的团队采用了一个由72个化学传感器活动组成的数据集,可对一个风洞实验中循环的10种气体物质(气味)作出反应。传感器对各种气味的反应被传送至Loihi,由其芯片电路对嗅觉背后的大脑电路进行模拟。Loihi芯片迅速掌握了10种气味各自的神经表征,其中包括丙酮、氨和甲烷,即使有强烈的环境干扰也能识别出这些气味。虽然你家中的烟雾和一氧化碳探测器能使用传感器来探测气味,但它们无法对各种气味进行区分;虽然它们一旦探测到空气中的有害分子时会发出警报,却无法对其进行智能分类。
未来的应用:Imam表示,化学传感领域多年来一直在寻找智能的、可靠的和快速响应的化学传感处理系统,或者称之为“电子鼻系统”。他看到了搭载神经拟态芯片的机器人在环境监测、危险物质检测以及在工厂质量控制方面的应用潜力。此外,该系统还可应用于医疗诊断,因为患有某些疾病会散发出特定的气味。另一个例子是,搭载神经拟态芯片的机器人可应用于机场安检区域,能够更高效地识别危险物质。
在未来加入更多感官:Imam表示,“我的下一步计划,是将这种方法推广到更广泛的应用领域,包括从感官场景分析(理解你观察到的各种物体之间的关系),到规划和决策等抽象问题。理解大脑的神经网络如何解决这些复杂的计算问题,将为设计高效、强大的机器智能提供重要启示。”
亟待克服的挑战:Imam表示,嗅觉领域存在着一些挑战。当你走进一家杂货店时,可能会闻到草莓的气味,但其气味可能类似于蓝莓或香蕉的气味,它们会在大脑中引发非常相似的神经活动模式。有时候,人类甚至很难分辨出究竟是一种水果气味还是多种香味的混合。当系统闻到来自意大利的草莓和来自加利福尼亚的草莓时可能会出错,这两种草莓可能有不同的香味,但需要归为一类。Imam表示:“这些是目前我们在研究嗅觉信号识别时面临的挑战,我们期待在未来几年内解决这些问题,这样的产品才能解决现实世界的问题,而不仅仅是解决在实验室演示的实验性问题。”在Imam看来,自己从事的工作是“发生在神经科学与人工智能技术交叉领域的当代研究典范”。
好文章,需要你的鼓励
皮尤研究中心最新分析显示,谷歌搜索结果页面的AI概述功能显著降低了用户对其他网站的点击率。研究发现,没有AI回答的搜索点击率为15%,而有AI概述的搜索点击率降至8%。目前约五分之一的搜索会显示AI概述,问题类搜索中60%会触发AI回答。尽管谷歌声称AI概述不会影响网站流量,但数据表明用户看到AI生成的信息后更容易结束浏览,这可能导致错误信息的传播。
这项由清华大学等多所高校联合完成的研究首次系统性地解析了AI系统如何同时具备知识检索和深度推理能力。研究团队通过分析200多篇论文,揭示了从简单检索到协同推理的技术演进路径,并建立了全面的评估框架。这种"协同RAG推理系统"能够像人类研究者一样主动搜索信息、分析问题,为AI向真正智能助手的转变奠定了基础。
GlobalData研究显示,人工智能驱动的预测性维护正成为电力行业追求高可靠性和成本效益的关键组成部分。该技术结合数据分析、机器学习和实时监控,能够更准确预测设备未来状况,有望降低维护成本30%,提高设备可用性20%。GE Vernova、西门子等公司提供先进解决方案,而数字孪生技术、物联网和边缘计算等新兴技术正进一步提升维护策略的准确性和效率。
麦吉尔大学研究团队开发了DrafterBench,这是首个专门评估AI在工程技术图纸修改能力的测试平台。通过对1920个真实工程任务的测试,研究发现即使最先进的AI模型也只能达到80%的准确率,在处理复杂多步骤操作时表现不佳。该研究为工程领域的AI应用提供了重要的评估标准和发展方向。