特约通讯员 许廷涛

人类本身奥妙的生物机能为新技术的开发带来启示。生物启示意味着我们可以参考生物的一些功能，并将其应用到智能计算机系统中。

生物启发智能是规则概括的基本概念，这些规则有助于提升信息处理的智能。对于智能机器来说，获取知识和技能是智能决策的基础，就如人类学习一样。

生物启发智能的开发者——semantic system ag（语义系统公司）的工程师们已经开发出第一代的能像生物大脑一样思考的电脑芯片AI-ONE。在计算机信息处理方面，这是第一次能够在电脑芯片中运行复杂想法与分析过程，从而得到与人类思考获取相同的结果。全球的芯片和处理器设计专家与科学家都清楚地表明：现阶段的芯片技术需要一个进化的步骤。它必须是一个真正的进化步骤，而不是仅仅逐步增加更多的内核。在未来，开发真正的智能系统需要这些新型的、增强的数据处理技术。如果我们首先解决在核心处理中神经数据的处理问题，本体、分类法、语义和符号的概念就可以突破。

我们需要更加灵活的数据处理技术，并且主要是智能数据处理技术，如逻辑运算、神经编码、模糊逻辑等等。破解神经编码即是我们必须理解神经细胞在生物大脑中如何发挥功能与作出反应，以及其原因。如果理解这些，我们就可以为生物启发智能系统建立基础。

通过开发一个神经数据处理环境，语义系统公司的工程师们已经为研发生物启发智能计算机信息处理技术建立了基础，这种神经数据处理环境可以在标准计算机上实施，就如运行软件开发工具一样。语义系统公司提供了神经数据处理环境，在这个环境中，我们可以对本体、分类、关联或语义应用进行操作，从而获得更好的功能。

AI-ONETM芯片

AI-ONE主要是模拟大脑复杂的图案识别功能的能力，最真实地在计算系统中重现这种能力。基于对大脑皮层各元素的功能和途径的理解，该芯片能够像人类大脑一样，处理相同复杂程度的问题和分析。

AI-ONE与传统芯片相比的先进之处在于它解决了“过度学习”的难题。在传统神经网络中，若超过拟合数据的范围，系统的概括能力将会降低。AI-ONE则集合了神经计算与常规计算的优点。它能够识别图案、概念、理解布尔逻辑、储存数据。而且，AI-ONE也解决了资源与速度的难题，它可以实现集群功能，这样就能处理大量的数据。

芯片的训练和学习

与其它生物系统一样，AI-ONE需要学习和训练。因为在与用户的交流中，AI-ONE需要学习基本的知识、常识，甚至目标。从这点上看，这不再是技术上的问题，而是如何给AI-ONE输入正确信息的问题，让芯片能构建必需的知识去完成所分配的任务。但是，它的训练比人类的训练简单，AI-ONE可以通过计算机或自动输送装置进行训练。

符号数据处理

新的芯片技术促进了全息语义环境中的数据储存和数据处理。这样就可以识别各种类型数据的内在信息模式。根据数据中的语法、语义和语用，它能够识别符号关联模式。

AI-ONE可识别各种数据的信息模式与概念，并能够关联与处理这些信息模式与概念。该系统自主地或根据一组规则作出决定；拥有推断缺失信息的能力，并能完成预测、联系、比较、评价和分析。可以说，AI-ONE是智能计算机的核心，也是使智能计算机得以发展的驱动力。

思考的过程

通过上一篇文章的介绍我们已经对“自主智能”的概念有一定的认识，AI-ONE是具有“自主智能”的芯片，基于ai-one的系统不仅能对各种查询作出反应，而且通过先进的自组织算法，系统能够自主作出查询。它能够自主、快速地在大量的数据中找到相关的信息，并且能够根据找到的信息更改决定。例如，系统可以部署在生物统计学中，分析复杂的模式和图像；在数据处理中，系统能够自动识别文本的语义相关性，分配适当的进程，作出合理的决定；还能使计算机学习发言，用人类的语言与人类交流。

智能系统的关键

原则上，任何种类数据的处理，如图像、文本、数据值等静态或动态的数据，可以分为以下三步：

1.获取数据——扫描，记录，输入（识别与输入）

2.分析/理解——决策与分类的智能

3.匹配/处理——匹配，后期处理

第一步与第三步已基本解决。主要的难题的是第二步。第一步和第三步是数据获取和数据匹配，不少系统已经能够在不同条件下，获取不同来源的数据并且匹配这些数据。当然，这些系统仍然需要改善。然而，对第一步和第三步的改善并不能使其成为一个智能系统。

第二步是构建智能系统的关键，它只能通过拥有强大思考能力的软件来完成。这是一种创造性地分析和改进自身性能的能力，朝着更加优化的方向去完成自己的目标。第二步也有众多的解决方案可以使用。然而，这些解决方案仍然需要根据每个特定的任务而被训练。此外，这些系统需要复杂的和广泛的环境模型（本体，分类，模式标本等）。因此，这些解决方案不能实现普及化，不能通用于各种任务。

AI-ONE的智能体现主要是基于生物启发智能与机器认知这个基本概念的。这个概念能促进计算机系统的总体智能的发展。基于AI-ONE的计算机系统无需编写程序去完成新任务，它仅仅是接受人类的指令，通过自学和训练，以广义和抽象的形式去吸收知识，使系统能够解决类似的任务。该系统利用相关的背景知识，因应各种情况而作出相应的调整。而且，AI-ONE芯片能够安排何时完成学习并中止学习，这样就解决了过度学习和过度适应的问题。

图像识别实例

以下通过一组例子来分析AI-ONE芯片的学习过程。图1中是一组鞋印的图像。其清晰程度有很大差异，但其形状的整体分布仍然是保持稳定的。

1.对单一形状概念的理解

以上的鞋图案的具体形状的编码揭示了一个问题：由于原始图像的不清晰，数字视网膜会把这种形状编码成不同的物体。很多情况下，原始图像甚至只留下部分形状的痕迹。AI-ONE能够自发地学习形状的概念，并在概念方面进行训练，试图通过还原形状以进行匹对。在匹配形状时，它以降序形式呈现各种可能的配对。

2.理解形状之间的关系与关联的概念

对于图像匹配来说，识别和理解各种形状，甚至各组形状之间的关系以及关联的概念是不可缺少的。如以上所展示的图像，形状可能有所不同，但是，各种形状之间的关系与它们的总体分布是保持稳定的。通过递归地比较每个形状与每组形状，系统可以找到匹配的图像。如图2所示。

理解各种尺寸的形状的概念，然后适当地推广这方面的知识是生物智能的关键。根据一个特定的知识基础，基于这种技术的计算机系统可以自主地作出决策。当然，管理者可以设定规则和限制，使计算机只能在一个确定的权限与责任框架内作出决定。

除了单一形状，AI-ONE还拥有对多组形状进行学习的能力来进行图像匹配。除此以外，按照类似的学习过程，AI-ONE还可用于分析各种语言文字，理解词语、句子、段落、页面以及词语与句子之间的关系。

参考资料：www.semantic.ch