意大利和德国的研究人员发表了将神经形态学应用到机器人上的方法

投稿：喵喵叫專業戶
原文：https://thenextweb.com/news/intel-unveils-neuromorphic-approach-to-interactive-continual-learning-robots

英特尔(Intel)的Loihi芯片能驱动更聪明的机器人

科学家们成功使用神经形态计算(译者: 指模仿生物学上的神经的运作方式，来组织计算机程序中的函数，再做进一步的运算。 核心思想是从有可能的答案中选出最有可能的一项作为答案。)的方法，让机器人们即使在部署安装之后，还是能持续认识和学习到新遇到的物件。 (译者: 部署是指机器人作为商品，安装到客户的指定位置，执行客户指定的功能。 如果后续遇到新的情况，通过硬件和软件方面的更新，可以获得新旧功能的增强。 但这些更新都需要原始机器人生产商与机器人客户有直接接触，并且从出现问题到解决问题之间，有一段较明显的时间差。 如果机器人遇到未定义的情况，但他能在某种程度上进行识别和决策，则机器人客户无需等候机器人生厂商做出回应，至少能解决一部分对时间敏感的问题。 例如，高等级的自动驾驶中，如果遇到未明确书写在程序中的路面情况，能大概估摸，做出即时的反应，将大大提升自动驾驶的安全度。)

给没有任何知识储备的外行人士稍微讲解一下，神经形态计算就是复制了(译者: 指模仿生物学上的原理，而不是模仿生物学上的结构。 在生物学上，电信号从一个神经细胞传递到另一个神经细胞。 在神经形态学上，电信号从一个函数传递到另一个函数。)人脑里的神经的结构，这样就可以创建一种电脑算法给机器人使用，来应对现实世界中的各种不确定性。

英特尔(Intel) 的实验室开发出了神经形态计算领域中最出名的架构之一: Loihi 神经形态芯片。 (译者: 先有引擎，引擎是指一连串的特定的电脑程序的统称，一般来说更偏向于一个商业名称。 例如，药物 布洛芬 Ibuprofen 就有一个商品名是 芬必得 Fenbid。 有了引擎，需要一片能运行它的芯片。 可以是一片别的品牌生产的，不只是为了运行你的程序的普通芯片，性能会差一点。 也可以是你自己设计生产的专用芯片，性能会好一点。 当自己设计芯片时，其中一个大的目的是为了防止盗版。 架构一般是指芯片设计时内部组件的逻辑关系，与实际的线路排布不太相关。 谈论芯片时更偏向于面对消费者，谈论架构时更偏向于面对上下游产业。 例如，像 苹果 Apple 公司，自己研发引擎，自己设计芯片，并且只用在自己的硬件上，就一般只谈某某芯片。 像英特尔公司这类不自己生产整机的企业，下游还需要与别人合作，就会谈某某架构。 原文中的芯片强调英特尔公司不单独售卖引擎软件。)

Loihi 由大约130,000(13万)个人工神经元件构成，这些人工神经元件通过一个「脉冲」(译者: 大概来说，以脉冲命名的技术，都是与时间有关，以时间进行编码的，以时间来区分和重复使用的。)神经网络(SNN)来向其他人工神经元件发送信息。 这些芯片已经驱动了一系列的系统，从智能人造皮肤(译者: 注意与医疗用的人造皮肤做出区别。 这里的人造皮肤是指为别的机器人提供类似人类皮肤所能感受到的触感，判断物件的表面纹理和材料。)，到电子「鼻子」，能闻到识别到从爆炸物里散发出来的气味。

这周(译者: 2022年08月31日)，英特尔的实验室公开了另一项合作计划。 英特尔的研究部门决定，与 意大利技术研究院 (Italian Institute of Technology) 和 慕尼黑理工学院 (Technical University of Munich) 联合一起组建队伍，以一种新的方法来配置 Loihi，让机器人技术能实现持续性的学习。

1. 互动的学习

这个方法以能与不受约束的环境(译者: 不受约束是指人类不受约束，不是指机器不受约束。 不必为人类和机器各自提前划分安全区域，人类和机器可以混合在一起，机器不会对人类构成风险和危害。 例如，汽车制造工厂中的机械臂，会被铁丝网围蔽，铁丝网约束人类不得进入，因为机械臂被配置为不考虑异物进入，从而节省大量成本并能高速运作。 这些都是人类受约束的环境。)进行互动的系统为目标(译者: 即不伤害人类，完成人类安排的任务，保护机器自己。)，例如在未来为医疗护理业和制造业提供帮助的机器人助手。

在这些情景之中，现有的深度神经网络(译者: 以目前的技术来说，超过2层就可以被暂时称作深度神经网络了，并不特别深。 作为对比，以业界惯例来说，1层的叫做感知器，2-5层的叫做深度神经网络，更多层的叫做深度学习。)要应对学习新的物件这件事的话会比较痛苦(译者: 原文比较痛苦是一种自嘲，意思是根本不能用，犯错率和瞎猜没什么区别。 例如，如果你没有提前学习过，那么你第一次看见「涪陵 fu2 ling2」这个地名的时候，凭以往经验，很大机率会错误发音。)，因为它们需要别人提供超大量的预先准备好的学习资料，并且还得把这些资料套用在它们遇到的新的物件之上，小心地重新(译者: 可以大概理解为，我以前教过你认「毫 hao2」这个字，大概看一眼形状还是能认得的。 现在出现了新字「亳 bo2」。 我不仅要教你认这个新字，还得非常小心地教你辨别与旧字之间的差别。)进行训练学习。 这个新的神经形态学的方法就是为了克服这些限制。

首先，研究人员们在 Loihi 上实施一个脉冲神经网络。 这个结构将学习这件事收集(译者: 把工作量从软件程序开发者收集到机器人。)到在一层单独的柔软的突触(译者: 这里是指可重复编辑的函数，只是借用生物学的词语。 大概理解为，原来需要借助外部的学习资料进行重新学习的，现在集中在这一层的函数中进行就行了。 革命性的改进点在于全过程都是独立的，是离线的，不需要借助外力，某程度上可以摆脱后续的维护成本。)中进行。 如果需要，还可以增加新的神经元件来从不同的视角(译者: 指使用不同的形容词来形容物件，而不是从不同的角度观看物件。)来理解同一个物件。

因此，学习的过程就可以在与用户互动的过程中自动地进行了。

2. 神经形态的模拟

这个联合的团队在虚拟的(译者: 对人类来说是虚拟的，对机器来说是真实的。 例如，特斯拉 Tesla 公司也会使用虚拟的三维环境测试他们的自动驾驶程序。 通过给汽车的传感器传送虚拟的信号，汽车不会知道自己跑在虚拟世界。 这项技术用来测试风险较大的前期版本的程序，也用来减低实际路面测试的成本，也用来替代稀罕的天气条件。)三维环境中对他们的方法进行了测试。 在这项测试的场景布置中，机器人自己移动一个基于事件的(译者: 我们一般使用的是基于画面的摄像头，它关注整体，同时记录全部数据。 基于事件的摄像头关注局部的变化，不同时记录全部数据。)摄像头来当作是他的眼睛，主动地感知到了物件。

受到一种被称作「微小眼部跳动」的眼部小型注视运动启发，摄像头的传感器以这种方式「看见」这些物件。 如果机器人观看的物件是新的，脉冲神经网络内部对这个物件的表示方法会被学习或者被更新。 如果机器人观看的物件是已知的，脉冲神经网络会认出这个物件并报告给用户。

这个联合的团队表示，他们的方法与常规的方法相比，同样是运行在中央处理器上(译者: 有可能是指，他们的方法运行在特别设计的 Loihi 芯片上，其他常规方法运行在一般用途的中央处理器上，两种情况进行对比。)，只需低至175分之1的电量，就能提供相似甚至是更好的处理速度和准确性。 (译者: 这一段落的意思是说，如果保持现有的电源方案不变，并行处理下，性能将比其他公司的方案提升175倍。 用电量减少也将带来很好的散热效果。 类似外太空使用的仪器，这类对热干扰十分敏感的使用场景，将能发挥优异效果。)

现在，他们需要在现实世界中，使用实际的机器人来测试一下他们的算法了。

这项研究的资深作者 Yulia SANDAMIRSKAYA (译者: 女性。 刊文当时是英特尔公司在德国慕尼黑的实验室的资深研究员，也曾在瑞士苏黎世大学和瑞士苏黎世联邦理工学院神经信息学研究所做研究。)，在一份声明(译者: 中性词。)中这样说，「我们的目标是将类似的能力应用到未来的机器人上，它们会工作在交互的场景，使它们能够适应不可预见的情况，也能够更自然流畅地和人类一起并肩工作。」

他们的研究在今年的(译者: 2022年07月27日) 神经形态学系统国际会议 (International Conference on Neuromorphic Systems，ICONS) 上被评为了「最佳论文」奖项。 论文(译者: 2022年07月27日-29日，由Elvin HAJIZADA，Patrick BERGGOLD 等共5人。)可以在这里(外部链接: #1。)阅读到。

单词表

1. Loihi芯片。 以夏威夷(Hawaiʻi)附近的海底活火山 Lōʻihi Seamount 命名的芯片。 2018年发表了第1代，2021年发表了第2代。
2. SNN。 Spiking Neural Network，脉冲神经网络。 原理模型可能可以追溯到1952年。

外部链接

1. 「机器人的交互式持续学习: 一种神经形态学的方法，Interactive continual learning for robots: a neuromorphic approach」

(EOF)