桌上足球机哪个牌子好(无需大量神经元，用神经形态机器人玩桌上足球，兼具速度与准确率)

选自IEEE

机器之心编译

机器之心编辑部

与深度学习不同，类脑电路需要真实世界的测试。

人类似乎着迷于让机器玩游戏，早在 1770 年就有发明家发明了国际象棋游戏机，名为「土耳其机器人」，他们声称这台机器可以击败任何一名游戏玩家（其实这是一个人工智能骗局）；1997 年 IBM 的超级计算机深蓝在比赛中击败卡斯巴罗夫，成为第一个在标准比赛时限内击败国际象棋世界冠军的电脑系统；之后由 DeepMind 哈萨比斯领衔的团队开发了 AlphaGo，这是第一个击败人类职业围棋选手、第一个战胜围棋世界冠军的智能体。

为什么众多研究者对生物体的信息传输和感知方式感兴趣？坦率地讲，这是因为生物体优于当今的计算技术，今天的计算技术似乎正在迅速达到极限。商品传感器产生的数据太多，计算机无法理解，这些计算机在试图理解它们时消耗了太多的能量。然而在生物界，不起眼的蚊子，它的大脑仅由大约 200000 个神经元组成，但它的飞行控制和避障能力却远远优于人类构造的任何东西；在能耗方面，蜜蜂的大脑有 100 万个神经元，功耗却只有 0.1mW；人类大脑只需消耗约 20 W 的能量就能够满足日常工作，行动等。但对于机器来说，以 GPT-3 为例，单次训练的能耗就相当于 126 个丹麦家庭一年的能源消耗。这就是生物智能，与传统人工智能之间一个很大的差别。

截止目前，哪怕是最先进的超级计算机，其复杂程度也无法与大脑媲美。计算机是线性的，主要依靠高速中枢，在中央处理器和存储芯片之间实现数据的传输。相比之下，大脑则处于全方位的互联状态，其密度和多样性均是现代计算机的数十亿倍。近年来，计算机微型化使得传统计算性能得到大幅提升，但存储器与中央处理器之间数据的传输会消耗大量能源，产生多余热量，这一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，来自澳大利亚西悉尼大学国际神经形态系统中心（ICNS）的研究者构造了一个神经形态机器人来玩桌上足球。

用神经形态传感器追踪运动的小球

首先 ICNS 构建了一个可以玩弹球机（pinball）的小型机器人 demo，该机器人可以将三个小球保持在桌子上，演示效果与人类玩家大致相同。令人惊讶的是，与常见的深度学习系统中有数十万或数百万个人工神经元不同，这种微小的神经形态仅使用两个人工神经元就可以解释和作用于基于事件的成像器的输入。

在弹球游戏上取得了不错的效果之后，该团队认为需要一项更复杂和要求更高的任务来进一步推动神经形态研究，因此将目光转向了桌上足球。

桌上足球所有动作都发生在二维空间中，只需要八个电机来控制桌子上的小人物即可，但这实现起来比想象的要困难得多。多年来，人们曾多次尝试构建机器人桌上足球，都取得了不同程度的成功，但都没有使用神经形态传感器。

一般来讲，使用神经形态传感器跟踪球很容易，然而，桌上足球是一种更具动态性的游戏，尤其是当涉及人类玩家时，每个人都有不同的策略，他们的动作并不总是合乎逻辑或者必要的。

有些研究者尝试使用非神经形态解决方案（例如深度学习）来玩桌上足球，然而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 不是一次只处理一帧，而是处理批量图像。在桌上足球中，玩家不关心球过去在哪里，甚至都不关心球现在在哪里；他们真正关心的是球接下来会在哪里。

其次，研究者发现深度学习方法对问题的微小变化极为敏感，摄像头的轻微晃动、球员向不同方向拉动时球台的轻微倾斜，甚至照明条件的变化都会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，这些算法处理来自相机的每个事件（在神经形态计算中也称为脉冲），并使用它们来更新球位置估计。

该神经形态网络没有使用大量的神经元层，而是使用 16 个小型模式识别网络，每个网络 18 x 18 像素，因此在游戏中的任何时候都只需考虑 364 个像素，这使得该网络非常快速且很准确。速度是至关重要的，因为事件驱动算法需要跟上相机产生的时间敏感数据，每个事件只需要一些小而简单的计算。虽然这个系统不会对经验丰富的球员构成太大的威胁，但该网络跟踪已经可以阻挡对方的球，而进球得分仍是一项正在进行的工作。

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，并对网络的每一层执行更多数量级的计算。这不仅比该系统使用的数据多得多，而且还有效地将事件驱动（event-driven）的输出转换回帧。

目前，ICNS 的算法基于记录的事件数据离线训练，使用了一种遗传最优解算法，既可以学习球的外观，也可以很好地估计它接下来的位置。该算法学习如何从数据本身中识别球，而不是通过任何编码。此外，算法还从球的实际移动方式中学习，而不是基于对球的移动预期，这一点很关键。

下一步，ICNS 将把基于离线训练的学习迁移到实时在线学习，让网络在游戏进行中不断学习和适应。这或许有助于系统对其训练所在的特定桌子的灵敏度。

这种事件驱动算法是使用脉冲神经形态硬件（neuromorphic hardware）工作的算法的中间步骤。目前已有一些受大脑启发的处理器，包括英特尔的类脑芯片 Loihi、世界首家神经形态处理器商业生产商 BrainChip 的 Akida，它们将信息编码为脉冲序列，并与基于事件的传感器自然契合。一旦有了稳定的脉冲算法，神经形态计算就将取得更多进展。

最后，ICNS 团队表示，在设计机器人玩桌上足球时，他们专注于降低成本并开源整个项目。

原文链接：spectrum.ieee/robotic-foosball-table