《脑科学与类脑智能》：类脑计算芯片与类脑智能机器人发展现状与思考

专题：脑科学与类脑智能 and Brain-Inspired Intelligence Technolog 类脑计算芯片与类脑智能机器人 发展现状与思考 陶建华1”陈云霁23 1中国科学院自动化研究所北京100190 2中国科学院计算技术研究所北京100190 3中国科学院脑科学与智能技术卓城创新中心上海200031 摘要类脑智能是以计算建摸为手段，受脑种经和人类认知行为机制启发，并通过款硬件协同 实现的机器智能。类脑器件以及类脑机器人分别作为类脑智能研究的重要内容，其在类脑研究 领城受到国内外学者的广泛美注。文幸首先分析了类脑器件与计算系统中的美脑芯片和类临机 器人的发展现状和应用前景，重点探讨了奏脑芯片在模拟人脑神经元模型和认知计算方面，以 及类脑机器人在感知控制和智能生长方面的研究内客。然后，文介绍了在中科院先导专项 支持下，我国在这一方面的初步研究进展以及未来发展方向。最后，针对现有研究中遇到的问 题，文章对类脑计算芯片与类脑智能机需人的进一步研究提出了建议，并指出未来研究在仿人 运动模型、类人神经运动控制、人机协同的智能机器人控制等方面有望取得重大尖破。 关键词类脑计算芯片，类脑智能机器人，人机协同，智能生长 D0110.16418M.issn1000-30452016.07.009 近年来，以图像识别、语音识别、机器翻译、广告推荐和数据挖据为代表的一系列 以智能为核心的应用已经成为计算机的主流负载。据市场调研机构TrendForce的报告， 2015年全球智能终端的出货量接近17亿台，并以每年25%的速度增长。智能终端、智能机 器人、智能硬件、智能互联网等与人工智能、大数据技术交叉融合，一起促使人类社会迈 向信息时代的高级阶段：智能时代。 随着智能时代对大规模数据处理的要求，现有的处理器结构日益显得乏力。例如，谷歌 大脑用了上万个通用处理器利耗时数天来学习如何识别猎脸：AlphaGo下围棋时使用了上千 (XDB02080000) 个通用处理器和数百个图形处理器，平均每局耗电电费近3000美元。对于很多智能技术来 通讯作者 说，采用传统通用处理器的实现方案会导致计算成本和计算速度均难以承受。而人的大脑由 修戏稿收到日朔：2016年6 月3日 大量的神经元(Neuron)通过突触(Synapse)连接在一起，构成了极其复杂的运算网络。目 多中图得学挖院利803

院刊 803 陶建华1,3** 陈云霁2,3 1 中国科学院自动化研究所 北京 100190 2 中国科学院计算技术研究所 北京 100190 3 中国科学院脑科学与智能技术卓越创新中心 上海 200031 摘要 类脑智能是以计算建模为手段，受脑神经和人类认知行为机制启发，并通过软硬件协同 实现的机器智能。类脑器件以及类脑机器人分别作为类脑智能研究的重要内容，其在类脑研究 领域受到国内外学者的广泛关注。文章首先分析了类脑器件与计算系统中的类脑芯片和类脑机 器人的发展现状和应用前景，重点探讨了类脑芯片在模拟人脑神经元模型和认知计算方面，以 及类脑机器人在感知控制和智能生长方面的研究内容。然后，文章介绍了在中科院先导专项 支持下，我国在这一方面的初步研究进展以及未来发展方向。最后，针对现有研究中遇到的问 题，文章对类脑计算芯片与类脑智能机器人的进一步研究提出了建议，并指出未来研究在仿人 运动模型、类人神经运动控制、人机协同的智能机器人控制等方面有望取得重大突破。 关键词 类脑计算芯片，类脑智能机器人，人机协同，智能生长 DOI 10.16418/j.issn.1000-3045.2016.07.009 近年来，以图像识别、语音识别、机器翻译、广告推荐和数据挖掘为代表的一系列 以智能为核心的应用已经成为计算机的主流负载。据市场调研机构 TrendForce 的报告， 2015 年全球智能终端的出货量接近 17 亿台，并以每年 25% 的速度增长。智能终端、智能机 器人、智能硬件、智能互联网等与人工智能、大数据技术交叉融合，一起促使人类社会迈 向信息时代的高级阶段：智能时代。 随着智能时代对大规模数据处理的要求，现有的处理器结构日益显得乏力。例如，谷歌 大脑用了上万个通用处理器和耗时数天来学习如何识别猫脸；AlphaGo下围棋时使用了上千 个通用处理器和数百个图形处理器，平均每局耗电电费近 3 000 美元。对于很多智能技术来 说，采用传统通用处理器的实现方案会导致计算成本和计算速度均难以承受。而人的大脑由 大量的神经元（Neuron）通过突触（Synapse）连接在一起，构成了极其复杂的运算网络。目 *资助项目：中科院战略性 先导科技专项项目（B类） （XDB02080000） ** 通讯作者 修改稿收到日期：2016年6 月3日 专题：脑科学与类脑智能 Brain Science and Brain-Inspired Intelligence Technology 类脑计算芯片与类脑智能机器人 发展现状与思考*

专题：脑科学与类脑智能 前，通过模拟人脑神经元信息处理机制的深度神经网络技通过融入对人的机理的探索，有望实现类脑智能机器人与 术已经成为智能时代最为重要的建模方法，将深度神经网 人“共情”，从而产生更深度的交互与合作，也有望对国 络技术融合到计算芯片（又称为类脑计算芯片）也日益 防、工业、服务业等领城提供更多的帮助。 受到重视。事实上，在20世纪80年代，超大型体积电路 本文针对类脑计算芯片和类脑智能机器人发展的迫 (VLSI)主要研制者之一Carver Mead已经开始利用大规 切需要，分析其技术发展现状，并对迫切需要展开的研 模集成电路来实现此类神经网络计算功能，这项工作获得 究内容进行一些思考。 了美国太空总署(NASA)与国家卫生研究院(NIH)的 重视。然而在相当长的一段时间里，基于传统互补金属氧 1类脑芯片 化物半导体(CMOS)技术的类脑计算芯片的实现一直进 广义上来讲，“类脑芯片”是指参考人脑神经元结 展缓慢。2007年纳米尺寸忆组器(Memristor)的出现使 构和人脑感知认知方式来设计的芯片。很显然，“神经 得类脑计算芯片的研究有了突飞猛进的发展，它可有效实 形态芯片”就是一种类脑芯片，顾名思义，它侧重于参 现可调节突触强度的生物神经突触和神经元之间的互联， 照人脑神经元模型及其组织结构来设计芯片结构，这代 从而为类脑计算芯片的快速发展奠定重要基础。 表了类脑芯片研究的一大方向。随着各国“脑计划”的 与类脑计算芯片同步发展的还有类脑智能机器人。 兴起和开展，涌现出了大量神经形态芯片研究成果，受 我国政府提出的《中国制造2025》规划纲要将机器人产 到国际上的广泛重视并为学界和业界所熟知。例如，欧 业发展作为智能制造重点推进的领域之一。目前，机器人 盟支持的SpiNNaker和BrainScaleS、斯坦福大学的Neu 已经被广泛应用于汽车及零部件制造、机械加工、电子电 rogrid、.BM公司的TrueNorth以及高通公司的Zeroth。 气及食品工业等诸多领域，成为衡量国家制造业水平和 TrueNorth是IBM潜心研发近10年的类脑芯片。美 科技水平的重要标志。尽管已有机器人经常也被称为“智 国DARPA计划从20O8年起就开始资助BM公司研制面 能”机器人，然而这些“智能”机器人能够实现的动作及 向智能处理的脉冲神经网络芯片。2011年，IBM公司通 行为能力基本是通过预定义的规则实现的，而人类进行动 过模拟大脑结构，首次研制出两个具有感知认知能力的 作、行为的学习主要是通过模仿及与环境的交互实现的。 硅芯片原型，可以像大脑一样具有学习和处理信息的能 此外，目前“智能”机器人还不具有类脑的多模态感知及 力。类脑芯片的每个神经元都是交叉连接，具有大规模 基于感知信息的类脑自主决策能力。在运动机制方面，目并行能力。20I4年，IBM公司发布了称为“TrueNorth” 前智能机器人不具备类人的外周神经系统，其灵活性和自 的第二代类脑芯片。与第一代类脑芯片相比，TrueNorth 适应性与人类运动系统还具有较大差距。 芯片性能大幅提升，其神经元数量由256个增加到100万 随者人工智能、机器人和传感器技术的不断发展， 个；可编程突触数量由262144个增加到2.56亿个：每秒 机器人已经由传统在线示教工作模式向智能工作模式方向 可执行460亿次突触运算，总功耗为70mW,每平方厘 发展，结合脑科学研究成果，有希望为机器人理论和应用 米功耗20mW。与此同时，TrueNort山处理核体积仅为第 研究带来新的突破，最终有望成功制造类脑智能机器人。 一代类脑芯片的1/15。目前，BM公司已开发出一台神 类脑智能机器人系统是融合了视觉、听觉、思考和执行等 经元计算机原型.它采用l6颗TrueNorth芯片，具有实 能力的综合智能系统，它能够以类似于人脑的工作方式运时视颖处理能力。TrueNorth芯片的超强指标和卓越表 行。同时，类脑智能机器人力图将人的内部机理融人机器 现在其发布之初就引起了学界的极大轰动。 人系统，从而提高机器人的认知、学习和动作控制能力。 与TrueNorth不同，Zeroth则是高通公司近几年才开 8042016年~第31卷第7期

804 2016年 . 第31卷 . 第 7期 专题：脑科学与类脑智能 前，通过模拟人脑神经元信息处理机制的深度神经网络技 术已经成为智能时代最为重要的建模方法，将深度神经网 络技术融合到计算芯片（又称为类脑计算芯片）也日益 受到重视。事实上，在 20 世纪 80 年代，超大型体积电路 （VLSI）主要研制者之一 Carver Mead 已经开始利用大规 模集成电路来实现此类神经网络计算功能，这项工作获得 了美国太空总署（NASA）与国家卫生研究院（NIH）的 重视。然而在相当长的一段时间里，基于传统互补金属氧 化物半导体（CMOS）技术的类脑计算芯片的实现一直进 展缓慢。2007 年纳米尺寸忆阻器（Memristor）的出现使 得类脑计算芯片的研究有了突飞猛进的发展，它可有效实 现可调节突触强度的生物神经突触和神经元之间的互联， 从而为类脑计算芯片的快速发展奠定重要基础。 与类脑计算芯片同步发展的还有类脑智能机器人。 我国政府提出的《中国制造 2025》规划纲要将机器人产 业发展作为智能制造重点推进的领域之一。目前，机器人 已经被广泛应用于汽车及零部件制造、机械加工、电子电 气及食品工业等诸多领域，成为衡量国家制造业水平和 科技水平的重要标志。尽管已有机器人经常也被称为“智 能”机器人，然而这些“智能”机器人能够实现的动作及 行为能力基本是通过预定义的规则实现的，而人类进行动 作、行为的学习主要是通过模仿及与环境的交互实现的。 此外，目前“智能”机器人还不具有类脑的多模态感知及 基于感知信息的类脑自主决策能力。在运动机制方面，目 前智能机器人不具备类人的外周神经系统，其灵活性和自 适应性与人类运动系统还具有较大差距。 随着人工智能、机器人和传感器技术的不断发展， 机器人已经由传统在线示教工作模式向智能工作模式方向 发展，结合脑科学研究成果，有希望为机器人理论和应用 研究带来新的突破，最终有望成功制造类脑智能机器人。 类脑智能机器人系统是融合了视觉、听觉、思考和执行等 能力的综合智能系统，它能够以类似于人脑的工作方式运 行。同时，类脑智能机器人力图将人的内部机理融入机器 人系统，从而提高机器人的认知、学习和动作控制能力。 通过融入对人的机理的探索，有望实现类脑智能机器人与 人“共情”，从而产生更深度的交互与合作，也有望对国 防、工业、服务业等领域提供更多的帮助[1]。 本文针对类脑计算芯片和类脑智能机器人发展的迫 切需要，分析其技术发展现状，并对迫切需要展开的研 究内容进行一些思考。 1 类脑芯片 广义上来讲，“类脑芯片”是指参考人脑神经元结 构和人脑感知认知方式来设计的芯片。很显然，“神经 形态芯片”就是一种类脑芯片，顾名思义，它侧重于参 照人脑神经元模型及其组织结构来设计芯片结构，这代 表了类脑芯片研究的一大方向。随着各国“脑计划”的 兴起和开展，涌现出了大量神经形态芯片研究成果，受 到国际上的广泛重视并为学界和业界所熟知。例如，欧 盟支持的 SpiNNaker 和 BrainScaleS、斯坦福大学的 Neu￾rogrid、IBM 公司的 TrueNorth 以及高通公司的 Zeroth。 TrueNorth 是 IBM 潜心研发近 10 年的类脑芯片。美 国DARPA 计划从 2008 年起就开始资助 IBM 公司研制面 向智能处理的脉冲神经网络芯片。2011 年，IBM 公司通 过模拟大脑结构，首次研制出两个具有感知认知能力的 硅芯片原型，可以像大脑一样具有学习和处理信息的能 力。类脑芯片的每个神经元都是交叉连接，具有大规模 并行能力。2014 年，IBM 公司发布了称为“TrueNorth” 的第二代类脑芯片。与第一代类脑芯片相比，TrueNorth 芯片性能大幅提升，其神经元数量由 256 个增加到 100 万 个；可编程突触数量由 262 144 个增加到 2.56 亿个；每秒 可执行 460 亿次突触运算，总功耗为 70 mW，每平方厘 米功耗 20 mW。与此同时，TrueNorth 处理核体积仅为第 一代类脑芯片的 1/15。目前，IBM 公司已开发出一台神 经元计算机原型，它采用 16 颗 TrueNorth 芯片，具有实 时视频处理能力[2]。TrueNorth 芯片的超强指标和卓越表 现在其发布之初就引起了学界的极大轰动。 与 TrueNorth 不同，Zeroth 则是高通公司近几年才开

类脑计算芯片与类被智能机器人发展现状与思考 展研究的“认知计算平台”，但它却在业界引起了巨大 工作方法可以发展出很好的“类脑智能”。随着神经到 的震动。原因就在于它可以融入到高通公司量产的Sap 学的进一步发展，人们对大脑神经系统工作方式的逐渐 dragon处理器芯片中，以协处理的方式提升系统的认知 清晰、脉冲神经网络算法可望进一步发展，其准确度也 计算性能间，并可实际应用于手机和平板电脑等设各中 可望得到讲一非提高从而可以实用，这也正是类脑志片 支持诸如语音识别、图像识别、场景实时标注等实际应 研究的目标。 用并且表现卓越。 实际上，类脑芯片研究的这两大方向只是侧重点 类脑芯片研究的另一大方向则是参考人脑感知认知 不同，而并非彼此互斥，而且很多研究会遂渐模糊化这 的计算模型面非神经元组织结构。具体讲就是设计芯片结 两个方向之间的界限。类脑芯片完全可以同时参考神经 构来高效支持成熟的认知计算算法，如人工神经网络算法 元组织结构并支持成熟的认知计算算法，这并不矛盾。 或目前备受关注的深度神经网络。例如，2012年，中科 当然，这种趋势也并不排除对该领域中某一点的重点研 院计算所研制了当时国际上首个支持深度神经网络处理器 究。如忆阻器可以很好地模拟神经元之间的突触连接及 架构芯片“寒武纪”。该技术两次获得计算机体系结 其可塑性，其研究进展使得构建大规模神经元结构的可 构领城主要国际会议ASPLOS四和MICRO最佳论文，其 能性更大。2012年，英特尔正是以忆阻器和横向自旋阀 设计方法和达到的性能得到了国际上很好的认可。该芯片 (Lateral Spin Valves)两项技术为基础开始了神经形态 可以作为类脑芯片这个研究方向上的杰出代表。 类脑芯片的研制网。 图1的两个芯片可以作为类脑芯片两大方向上的代表 在当前大数据和人工智能火热的时代，类脑芯片的 成果。比较而言，TrueNorth芯片采用了神经形态的组织 研究受到了各国政府、大学和研究机构、国际大公司甚 结构和新兴的“脉冲神经网络”算法，因此具有更低的功 至是很多新兴的创新型小公司的青睐和聚焦，从不为人 耗。但也正因为如此，其数据编码信息损失很大，导致算 知突然进人到了公众视野。随着类脑芯片的百花齐放， 法准确度不及目前的成熟算法。例如，在手写数字识别 势必会带来芯片应用领域的一场革命，甚至将改变人们 上，TrueNorth的脉冲神经网络准确度大约是90%左右 的日常生活方式。 而20世纪80年代的人工神经网络已经可以达到95%的准 确度，目前深度神经网络技术的准确度更超过了99%。 2类脑智能机器人的仿生机构与感知控制 类脑智能机器人首先涉及到的是机器人的仿生机构 和感知控制，而仿肌肉驱动器是其中的重要部分，这些 仿肌肉驱动器可以省却齿轮、轴承，避免复杂的结构， 同时减轻重量，具有更好的应用效果。如Shahinpoor等 人用4片重0.1g的人工肌内材料IPMC作手指组成的 a b 机械手，在5V的电压下提起了10.3g的石子，所需功率 为25mW。如用传统机械装置实现这个动作，其机构将非 常复杂。 这个比较并非说明类脑芯片这两大方向孰优孰劣， 虽然自20世纪60年代以来，日本以及美国DRAPA 而是展示了类脑芯片研制的客观现状。却也恰恰能够明 等机构不断进行仿肌肉驱动器的研究，但还是随着近10 确了这样一个事实：即参考已知的神经元模型、结构与 年材料和新型传动系统的发展才真正实现一系列的突 多中图每学挖院利805

院刊 805 类脑计算芯片与类脑智能机器人发展现状与思考 展研究的“认知计算平台”，但它却在业界引起了巨大 的震动。原因就在于它可以融入到高通公司量产的 Snap￾dragon 处理器芯片中，以协处理的方式提升系统的认知 计算性能[3]，并可实际应用于手机和平板电脑等设备中， 支持诸如语音识别、图像识别、场景实时标注等实际应 用并且表现卓越。 类脑芯片研究的另一大方向则是参考人脑感知认知 的计算模型而非神经元组织结构。具体讲就是设计芯片结 构来高效支持成熟的认知计算算法，如人工神经网络算法 或目前备受关注的深度神经网络。例如，2012 年，中科 院计算所研制了当时国际上首个支持深度神经网络处理器 架构芯片“寒武纪”[4,5]。该技术两次获得计算机体系结 构领域主要国际会议 ASPLOS[4]和 MICRO[5]最佳论文，其 设计方法和达到的性能得到了国际上很好的认可。该芯片 可以作为类脑芯片这个研究方向上的杰出代表。 图 1 的两个芯片可以作为类脑芯片两大方向上的代表 成果。比较而言，TrueNorth 芯片采用了神经形态的组织 结构和新兴的“脉冲神经网络”算法，因此具有更低的功 耗。但也正因为如此，其数据编码信息损失很大，导致算 法准确度不及目前的成熟算法。例如，在手写数字识别 上，TrueNorth 的脉冲神经网络准确度大约是 90%左右， 而 20 世纪 80 年代的人工神经网络已经可以达到95% 的准 确度，目前深度神经网络技术的准确度更超过了 99%。 （a） （b） 图 1 IBM 研制的“TrueNorth”芯片（a）和中科院计算所研制的“寒 武纪”芯片及其板卡（b） 这个比较并非说明类脑芯片这两大方向孰优孰劣， 而是展示了类脑芯片研制的客观现状。却也恰恰能够明 确了这样一个事实：即参考已知的神经元模型、结构与 工作方法可以发展出很好的“类脑智能”。随着神经科 学的进一步发展，人们对大脑神经系统工作方式的逐渐 清晰，脉冲神经网络算法可望进一步发展，其准确度也 可望得到进一步提高从而可以实用，这也正是类脑芯片 研究的目标。 实际上，类脑芯片研究的这两大方向只是侧重点 不同，而并非彼此互斥，而且很多研究会逐渐模糊化这 两个方向之间的界限。类脑芯片完全可以同时参考神经 元组织结构并支持成熟的认知计算算法，这并不矛盾。 当然，这种趋势也并不排除对该领域中某一点的重点研 究。如忆阻器可以很好地模拟神经元之间的突触连接及 其可塑性，其研究进展使得构建大规模神经元结构的可 能性更大。2012 年，英特尔正是以忆阻器和横向自旋阀 （Lateral Spin Valves）两项技术为基础开始了神经形态 类脑芯片的研制[6]。 在当前大数据和人工智能火热的时代，类脑芯片的 研究受到了各国政府、大学和研究机构、国际大公司甚 至是很多新兴的创新型小公司的青睐和聚焦，从不为人 知突然进入到了公众视野。随着类脑芯片的百花齐放， 势必会带来芯片应用领域的一场革命，甚至将改变人们 的日常生活方式。 2 类脑智能机器人的仿生机构与感知控制 类脑智能机器人首先涉及到的是机器人的仿生机构 和感知控制，而仿肌肉驱动器是其中的重要部分，这些 仿肌肉驱动器可以省却齿轮、轴承，避免复杂的结构， 同时减轻重量，具有更好的应用效果。如 Shahinpoor 等 人[7]用 4 片重 0.1g 的人工肌内材料 IPMC 作手指组成的 机械手，在 5 V 的电压下提起了 10.3g 的石子, 所需功率 为 25 mW。如用传统机械装置实现这个动作, 其机构将非 常复杂。 虽然自20世纪60年代以来，日本以及美国DRAPA 等机构不断进行仿肌肉驱动器的研究，但还是随着近10 年材料和新型传动系统的发展才真正实现一系列的突

专题：脑科学与类脑智能 破。目前制作的仿肌肉驱动器可以分为材料类、机械类 运动能力，类脑智能机器人还以脑科学和神经科学的 和生物类。材料类的仿肌肉驱动器主要代表有形状记忆 研究为基础，使机器人以类脑的方式实现对外界的感 合金(Shape Memory Alloy,SMA),电致收缩聚合物 知和自身的控制。人的运动系统由骨酪、关节和肌肉 (Electroactive Polymer,EAP)、压电陶瓷(Piezoelectri 组成，相关的肌肉收缩或舒张由中枢神经系统与外周 cTransducer.PZT)、磁致收缩聚合物、功能凝胶、液晶 神经系统协同控制。以类脑的方式实现感知与控制的 收缩聚合物等。此类仿肌肉驱动器的共同特点是模拟动 一体化，使得机器人能够模仿外周神经系统感知、中 物肌肉收缩产生力这一工作特性，利用材料在不同的外 枢神经系统的输出与多层级反馈回路，实现机器人从 部控制下，如电压、电流、pH值等，材料内部的成分发 感知外界信息到自身运动的快速性和准确性。 生物理变化，产生形变和力。机械类的仿肌肉墅动器， 针对这项技术，瑞士洛桑理工学院(EPFL)于201 主要代表有气动人工肌肉(Pneumatic Artificial Muscle, 年开发了一个神经系统仿直工具(The Neural Simulation PAM)、液压人工肌肉(Hydraulic Artificial Muscle)、 Tool,NEST)。在该仿真工具中，研究人员建立了一 电致收缩器、磁致收缩器等，其中由波士顿动力研制的 个数字化的老鼠大脑计算模型和虚拟老鼠身体模型，通 Alas类人机器人就采用了液压人工肌肉。不同于材料 过把这两个模型结合起来，来模拟大脑和身体的互作用 类仿肌肉驱动器，机械类仿肌肉驱动器都是结构发生变 的神经机制，这为类脑机器人的神经系统模拟提供了基 化，产生收缩和力。生物类的仿肌肉驱动器目前尚处于 础。目前，他们已在模型中模拟出一只小白鼠完整大 实验室研制阶段，目前主要是利用动物活体细胞来充当 脑中约2100万个神经元中的3.1万个模拟神经元。虽 驱动器，类国DRAPA资助麻省理工学院研 然，将神经系统和仿生机器人相结合进 制的鱼形仿生机器人，由活体肌肉驱动， 行研究，不只是处在初步阶段，但已经 最大速度45mms.而在类人机器人上尚末 建立的脑网络模型，以及运动神经和各 进行类似的研究州。 种运动控制上的一系列研究成果，已为 在这些研究的基础上，瑞士苏黎世大 类脑智能机器人的感知与控制回路的进 学搭建了拥有“肌腱”和“骨头“的机器人 一步研究莫定了很好的基础。 平台ECCE Robot(图2)，相关研究成果 与类脑智能机器人密切相关的技 在2010年获得美国Popular Mechanics报 术，如脑机接口阿、神经假体列等，近几 道，列为2010年10大创新概念首位网。此 年也取得了积极的进展。脑机接口可以使 外，波士顿动力还试图研制一款更新型仿 计算机从大脑神经活动获知人的行为意 生肢体，试图采用3D打印的方 向，其关键在于神经解码， 式，将所有的液压元件直接打 将大脑的神经信号转化为对外 印到其机器人肢体的“骨头 部设备的控制信号四，其又分 结构中，使之更具有仿生元 为侵人式脑机接口和非侵人式 素，比如“类动脉式的液压管 脑机接口。其中侵入式脑机接 道布局”、看上去很像骨头的 口能在庭疏病人的大脑运动凤 支架等（图3）。 植入电极阵列，提取人的运动 除了具有仿生结构和仿生 国3波士顿动力正在研制的新型 意向从而控制机械手臂的动 8062016年第31卷第7期

806 2016年 . 第31卷 . 第 7期 专题：脑科学与类脑智能 破。目前制作的仿肌肉驱动器可以分为材料类、机械类 和生物类。材料类的仿肌肉驱动器主要代表有形状记忆 合金（Shape Memory Alloy，SMA）、电致收缩聚合物 （Electroactive Polymer，EAP）、压电陶瓷（Piezoelectri cTransducer，PZT）、磁致收缩聚合物、功能凝胶、液晶 收缩聚合物等。此类仿肌肉驱动器的共同特点是模拟动 物肌肉收缩产生力这一工作特性，利用材料在不同的外 部控制下，如电压、电流、pH 值等，材料内部的成分发 生物理变化，产生形变和力。机械类的仿肌肉驱动器， 主要代表有气动人工肌肉（Pneumatic Artificial Muscle， PAM）、液压人工肌肉（Hydraulic Artificial Muscle）、 电致收缩器、磁致收缩器等，其中由波士顿动力研制的 Atlas 类人机器人就采用了液压人工肌肉。不同于材料 类仿肌肉驱动器，机械类仿肌肉驱动器都是结构发生变 化，产生收缩和力。生物类的仿肌肉驱动器目前尚处于 实验室研制阶段，目前主要是利用动物活体细胞来充当 驱动器，美国 DRAPA 资助麻省理工学院研 制的鱼形仿生机器人，由活体肌肉驱动， 最大速度 45 mm/s，而在类人机器人上尚未 进行类似的研究[8]。 在这些研究的基础上，瑞士苏黎世大 学搭建了拥有“肌腱”和“骨头”的机器人 平台 ECCE Robot（图 2），相关研究成果 在 2010 年获得美国 Popular Mechanics 报 道，列为 2010 年10 大创新概念首位[9]。此 外，波士顿动力还试图研制一款更新型仿 生肢体，试图采用 3D 打印的方 式，将所有的液压元件直接打 印到其机器人肢体的“骨头” 结构中，使之更具有仿生元 素，比如“类动脉式的液压管 道布局”、看上去很像骨头的 支架等（图 3）。 除了具有仿生结构和仿生 运动能力，类脑智能机器人还以脑科学和神经科学的 研究为基础，使机器人以类脑的方式实现对外界的感 知和自身的控制。人的运动系统由骨骼、关节和肌肉 组成，相关的肌肉收缩或舒张由中枢神经系统与外周 神经系统协同控制。以类脑的方式实现感知与控制的 一体化，使得机器人能够模仿外周神经系统感知、中 枢神经系统的输出与多层级反馈回路，实现机器人从 感知外界信息到自身运动的快速性和准确性。 针对这项技术，瑞士洛桑理工学院（EPFL）于 2015 年开发了一个神经系统仿真工具（The Neural Simulation Tool，NEST）。在该仿真工具中，研究人员建立了一 个数字化的老鼠大脑计算模型和虚拟老鼠身体模型，通 过把这两个模型结合起来，来模拟大脑和身体的互作用 的神经机制，这为类脑机器人的神经系统模拟提供了基 础[10]。目前，他们已在模型中模拟出一只小白鼠完整大 脑中约2 100 万个神经元中的 3.1 万个模拟神经元[11]。虽 然，将神经系统和仿生机器人相结合进 行研究，还只是处在初步阶段，但已经 建立的脑网络模型，以及运动神经和各 种运动控制上的一系列研究成果，已为 类脑智能机器人的感知与控制回路的进 一步研究奠定了很好的基础。 与类脑智能机器人密切相关的技 术，如脑机接口[12]、神经假体[13]等，近几 年也取得了积极的进展。脑机接口可以使 计算机从大脑神经活动获知人的行为意 向，其关键在于神经解码， 将大脑的神经信号转化为对外 部设备的控制信号[12]，其又分 为侵入式脑机接口和非侵入式 脑机接口。其中侵入式脑机接 口能在瘫痪病人的大脑运动区 植入电极阵列，提取人的运动 意向从而控制机械手臂的动 图 2 ECCE Robot 平台 [9] 图 3 波士顿动力正在研制的新型仿生肢体结构图

类脑计算芯片与类被智能机器人发展现状与思考厂 作以：非侵人式脑机接口是用紧贴头皮的多个电极采集大 者新型人工智能必须要具有通过交互从外界获得知识。并 脑脑电图(EEG)信号从而控制机械臂或飞行器。而在 通过智能增长的方式进一步了解外部世界的能力。建立基 神经假体方面，美国DARPA正投资研发一种芯片，通过 于交互的从零学习及智能生长认知模型，使得计算机能够 植人该芯片可以帮助脑部受伤的人恢复记忆，并干扰甚至 像婴儿一样，在与人的交互过程中进行错误纠正与知识积 消除一些不愉快的记忆（如战争记忆）。目前此技术已在 累，实现模仿人类认识外部世界的智能增长四。 老鼠上取得了不错效果。此外，科研人员在视觉神经假 国际上一些机构已纷纷开展人机协同下机器人智 体、运动神经假体方面也均取得很好进展，并已成功进 能生长的研究，如麻省理工学院人工智能实验室增量 行应用，以帮助人们恢复部分视觉功能或部分替代四肢 人机协同研究组(Increasing Man-Machine Collaboration 功能，。虽然脑机接口和神经假体等方面的研究还有很 MT)采用增强学习让人与机器人（包括飞机与小汽车 大的提升空间，但已有的研究成果为类脑智能机器人的研 等)在未知环境自由协作，让计算机自动配合人并与人 究提供了很多的借鉴。 交互，在共同决策完成既定任务的同时，机器人也通过 交互过程不断学到新的知识。此外，谷歌和百度的无人 3类脑机器人的智能生长 驾驶汽车平台也在进行者类似的尝试。 在类脑智能机器人研究中。如何从根本上提升机要 DeepMind公司(2014年被Google公司收购)提出 人的智能，是机器人研究领城的一个重要问题。经历了 了Neural Turing Machine方法，利用深度增强学习，实现 长期的发展过程，人们普遍认为机器通常在动力、速度 了靠不断试错学习就可获得提高的游戏人工智能。这些 精巧性方面具有一定的优势，而人类具有智能、感知、 智能靠着对游戏视频的观察来自动寻找出模式，然后操 情感等机器部分具有或者不具有的能力和特点。人们白 作控制器，并获得得分的反馈结果（高分奖励），通过 然希望可以将二者各自的优点融合在一起，实现“人机 这样的交互方式不断学习新的知识和技能。此外，De©p 协作”。早在20世纪50年代，已有研究人员开展了相关 Mind还在研制基于长短期记忆的递归神经网络(Long 的工作，从具体任务出发（如工业制造），研究离线状态 Short-Term Memory-Recurrent Neural Network,LSTM. 下的人机交互，让机器人在人的指引下完成任务学习。 RNN)控制的无人机，通时交互式的学习可不断提高无 20世纪90年代，人们开始研究实时交互问题，将服务机 人机飞行的效果。 器人与人结合在一起。然而这种协作主要从功能角度使人 在未来，人们希望可以将人的智能更深程度地引人 和机器人共享智能，并不算真正意义上的融合。在这一过 机器人系统，从机理上对人进行模仿，使机器人能够像 程中，人做一部分工作，机器人做一部分工作，二者分 人一样思考，从而“配合”人的工作，共同完成任务。 工完成同一任务。自2010年来，人们更加关注“认知-合 类脑智能机器人不但是未来人工智能研究重要的外是载 作”，机器人作为人的“同事”，和人在一起工作。智能 体，而且其在未来服务业、智能家居、医疗、国家与社 人机协同需要计算机在陌生的环境通过对周围环境的观察 会安全等领域都具有极为广泛的应用价值。 以及周围环境的反馈刺激，自主整合新旧知识，并进行 综合智能决策，即要求计算机具有类脑的交互学习机制。 4中科院B类先导专项下的类脑芯片与机器 随着人工智能技术和新材料技术兴起，智能机器人行业将 人研究工作 是未来“脑科学研究”和“脑认知与类脑计算”研究成果 作为脑科学研究的重要组成部分，类脑智能的研 的重要产出方向。在实际的应用场合，新一代的机器人或 究已受到我国科研人员的高度重视，尤其是近两年来。 ®+图特罩挖院利l07

院刊 807 类脑计算芯片与类脑智能机器人发展现状与思考 作[13]；非侵入式脑机接口是用紧贴头皮的多个电极采集大 脑脑电图（EEG）信号从而控制机械臂或飞行器[14]。而在 神经假体方面，美国 DARPA 正投资研发一种芯片，通过 植入该芯片可以帮助脑部受伤的人恢复记忆，并干扰甚至 消除一些不愉快的记忆（如战争记忆）。目前此技术已在 老鼠上取得了不错效果。此外，科研人员在视觉神经假 体、运动神经假体方面也均取得很好进展，并已成功进 行应用，以帮助人们恢复部分视觉功能或部分替代四肢 功能[15,16]。虽然脑机接口和神经假体等方面的研究还有很 大的提升空间，但已有的研究成果为类脑智能机器人的研 究提供了很多的借鉴。 3 类脑机器人的智能生长 在类脑智能机器人研究中，如何从根本上提升机器 人的智能，是机器人研究领域的一个重要问题。经历了 长期的发展过程，人们普遍认为机器通常在动力、速度、 精巧性方面具有一定的优势，而人类具有智能、感知、 情感等机器部分具有或者不具有的能力和特点。人们自 然希望可以将二者各自的优点融合在一起，实现“人机 协作”。早在 20 世纪 50 年代，已有研究人员开展了相关 的工作，从具体任务出发（如工业制造），研究离线状态 下的人机交互，让机器人在人的指引下完成任务学习。 20 世纪 90 年代，人们开始研究实时交互问题，将服务机 器人与人结合在一起。然而这种协作主要从功能角度使人 和机器人共享智能，并不算真正意义上的融合。在这一过 程中，人做一部分工作，机器人做一部分工作，二者分 工完成同一任务。自 2010 年来，人们更加关注“认知-合 作”，机器人作为人的“同事”，和人在一起工作。智能 人机协同需要计算机在陌生的环境通过对周围环境的观察 以及周围环境的反馈刺激，自主整合新旧知识，并进行 综合智能决策，即要求计算机具有类脑的交互学习机制。 随着人工智能技术和新材料技术兴起，智能机器人行业将 是未来“脑科学研究”和“脑认知与类脑计算”研究成果 的重要产出方向。在实际的应用场合，新一代的机器人或 者新型人工智能必须要具有通过交互从外界获得知识，并 通过智能增长的方式进一步了解外部世界的能力。建立基 于交互的从零学习及智能生长认知模型，使得计算机能够 像婴儿一样，在与人的交互过程中进行错误纠正与知识积 累，实现模仿人类认识外部世界的智能增长[17]。 国际上一些机构已纷纷开展人机协同下机器人智 能生长的研究，如麻省理工学院人工智能实验室增量 人机协同研究组（Increasing Man-Machine Collaboration MIT）采用增强学习让人与机器人（包括飞机与小汽车 等）在未知环境自由协作，让计算机自动配合人并与人 交互，在共同决策完成既定任务的同时，机器人也通过 交互过程不断学到新的知识。此外，谷歌和百度的无人 驾驶汽车平台也在进行着类似的尝试。 DeepMind 公司（2014 年被 Google 公司收购）提出 了 Neural Turing Machine 方法，利用深度增强学习，实现 了靠不断试错学习就可获得提高的游戏人工智能[16]。这些 智能靠着对游戏视频的观察来自动寻找出模式，然后操 作控制器，并获得得分的反馈结果（高分奖励），通过 这样的交互方式不断学习新的知识和技能。此外，Deep￾Mind 还在研制基于长短期记忆的递归神经网络（Long Short-Term Memory-Recurrent Neural Network, LSTM￾RNN）控制的无人机，通过交互式的学习可不断提高无 人机飞行的效果。 在未来，人们希望可以将人的智能更深程度地引入 机器人系统，从机理上对人进行模仿，使机器人能够像 人一样思考，从而“配合”人的工作，共同完成任务。 类脑智能机器人不但是未来人工智能研究重要的外显载 体，而且其在未来服务业、智能家居、医疗、国家与社 会安全等领域都具有极为广泛的应用价值。 4 中科院 B 类先导专项下的类脑芯片与机器 人研究工作 作为脑科学研究的重要组成部分，类脑智能的研 究已受到我国科研人员的高度重视，尤其是近两年来