不需要大量的神经元，神经形态机器人可以快速准确地玩桌上足球RobotTurk，他们声称可以击败任何游戏玩家（实际上，这是一个人工智能骗局）；1997年，IBM的超级计算机“深蓝”在一场比赛中击败了卡斯帕罗夫，成为第一个在时限内战胜国际象棋世界冠军的计算机系统；随后由DeepMindHassabis带领的团队开发出AlphaGo，这是第一个击败人类职业围棋选手的智能体，也是第一个击败围棋世界冠军的人。为什么许多研究人员对生物体的信息传递和感知方式感兴趣？坦率地说，这是因为生物体优于当今的计算技术，后者似乎正在迅速达到极限。商品传感器会生成太多计算机无法理解的数据，而这些计算机会消耗太多能量来试图理解它们。然而，在生物界，不起眼的蚊子拥有仅由约20万个神经元组成的大脑，但其飞行控制和避障能力却远超人类构造的任何东西；在能量消耗方面，蜜蜂的大脑有100万个神经元，但功耗仅为0.1mW；人脑只需要消耗20W左右的能量就可以满足日常的工作、动作等。但是对于机器来说，比如GPT-3，单次训练的能量消耗相当于126个丹麦家庭每年的能量消耗一年。这就是生物智能，与传统的人工智能有很大的不同。迄今为止，即使是最先进的超级计算机也无法与大脑的复杂性相提并论。计算机是线性的，主要依靠高速中心在中央处理器和存储芯片之间传输数据。相比之下，大脑是完全相互连接的，比现代计算机的密度和多样性要高数十亿倍。近年来，计算机的小型化大大提高了传统计算的性能，但内存和中央处理器之间的数据传输会消耗大量能量并产生多余的热量。这个瓶颈限制了计算机的进一步改进。近年来，受大脑神经系统的启发，神经形态计算成为人工智能领域的一个重要研究方向。近日，澳大利亚西悉尼大学国际神经形态系统中心（ICNS）的研究人员构建了一个神经形态机器人来玩桌面游戏。去踢足球。使用神经形态传感器跟踪球的运动首先，ICNS构建了一个小型机器人的演示，它可以玩弹球机（pinball），在桌子上拿着三个球，就像人类玩家一样。令人惊讶的是，与拥有数十万或数百万人工神经元的普通深度学习系统不同，这种微小的神经拟态可以仅使用两个人工神经元设备输入来解释基于事件的成像并采取行动。在弹球上取得好成绩后，团??队决定需要一项更复杂、要求更高的任务来进一步推动神经形态研究，于是转向桌上足球。桌上足球的所有动作都发生在二维空间中，只需要八个马达就可以控制桌上的小人，但这实现起来比想象中的难多了。多年来，已经有多次尝试在不使用神经形态传感器的情况下构建机器人桌上足球，并取得了不同程度的成功。一般来说，使用神经形态传感器很容易跟踪球，但是，桌上足球是一种更具动态性的游戏，尤其是当有人类玩家参与时，每个人都有不同的策略，他们的动作并不总是合乎逻辑或必要的。一些研究人员尝试使用非神经形态解决方案（例如深度学习）玩桌上足球，但是深度学习神经网络的处理方式（通常在GPU上）不太适合此类任务，因为GPU不是一次处理一帧，而是处理成批的图像。在桌上足球中，玩家不关心球曾经在哪里，甚至不在乎它现在在哪里；他们真正关心的是下一个球会在哪里。其次，研究人员发现深度学习方法对问题的微小变化极其敏感。相机的轻微晃动、玩家向不同方向拉球时桌子的轻微倾斜，甚至光照条件的变化，都可能导致深度学习球跟踪器的性能崩溃。ICNS的研究着眼于更简单、更快的神经形态网络，以及处理来自相机的每个事件（也称为神经形态计算中的尖峰）并使用它们来更新球位置估计的算法。神经形态网络使用16个每个18x18像素的小型模式识别网络，而不是大量的神经元层，因此在游戏中的任何点只考虑364个像素，使网络非常快速和非常准确。速度至关重要，因为事件驱动算法需要跟上相机产生的时间敏感数据，每个事件只需要进行一些小而简单的计算。虽然该系统不会对有经验的球员构成太大威胁，但网络跟踪已经可以阻挡对方的球，而进球得分仍在进行中。原则上，深度学习可以执行类似的操作，但它需要查看整个图像并在网络的每一层上执行更多数量级的计算。这不仅比系统使用的数据多得多，而且还有效地将事件驱动的输出转换回帧。目前，ICNS的算法是根据记录的事件数据进行离线训练，使用遗传最优解算法，既可以了解球的外观，又可以很好地估计球接下来会去哪里。该算法学习如何从数据本身识别球，而不是通过任何编码。此外，该算法还从球的实际移动方式中学习，而不是基于对球将如何移动的预期，这是关键。下一步，ICNS会将基于离线训练的学习迁移到实时在线学习，让网络在比赛中不断学习和适应。这可能有助于提高系统对其正在训练的特定表格的敏感性。这种事件驱动的算法是使用尖峰神经形态硬件的算法的中间步骤。已经有许多类脑处理器，包括英特尔的类脑芯片Loihi和来自BrainChip的Akida，这是世界上第一家神经形态处理器的商业生产商，它们将信息编码为脉冲序列，并自然地与基于事件的传感器相匹配。一旦稳定的脉冲算法可用，神经形态计算将取得更多进展。最后，ICNS团队表示，在设计玩桌上足球的机器人时，他们着重于降低成本并开源整个项目。
