光電認知的無人系統

文 戴瓊海

人類社會的發展過程

人類社會的發展經歷了幾個階段。從原始社會到農耕文明，后又經歷了兩次工業革命，走進了信息時代。馬克思總結了人類歷史發展過程中經歷的東西，“各種經濟時代的區別，不在于生產什么，而在于怎樣生產，用什么勞動資料生產。勞動資料更能顯示一個社會生產時代的具有決定意義的特征?！边@就說明各個不同時代最大的特征區別，就在于人們使用什么勞動工具（這一主要的勞動資料），以及怎樣勞動。我們分別來看一看。人類社會的發展需要依靠生產力推動，生產力三要素是勞動力、勞動工具和勞動對象。原始人使用石器工具狩獵，并學會使用火來加工肉類，這些特征將人類與動物區分開來，標志著人類社會的出現。農耕社會人類的勞動工具升級換代了，從石器變成了鐵器，勞動方式也從石器耜耕升級為鐵器牛耕。勞動工具的升級以及協作生產，進一步提升了生產效率，推動了生產力的發展。

1946年誕生的世界上第一臺通用計算機ENIAC

接著迎來第一次工業革命，也就是蒸汽時代。勞動力從以人力、水力、風力及畜力為代表的自然力升級成了蒸汽，生產方式從手工生產升級成大機器生產，開創了以機器代替手工的時代，我們把手里的工作交給機器來完成。第二次工業革命是電氣時代，有了電以后，各種與電相關的科技發明層出不窮，并與生產緊密結合，生產效率得到了更進一步的提升，生產力得到了突破性發展，人們意識到科技對生產力的提升起到了重要作用。

第三次革命讓人類進入了信息時代，1946年誕生了世界上第一臺通用計算機ENIAC，還有TCP/IP協議棧的發明，使互聯網技術得到了迅速發展。1995年美國提出了“信息高速公路”的概念，借助互聯網絡的信息傳遞和協作能力，出現了一系列高新技術，比如原子能、航空航天技術和生物克隆技術等，科學技術毋庸置疑成了第一生產力?，F在，我們進入了智能時代，以深度神經網絡為代表的人工智能技術在很多產業中發揮著重要的作用，比如埃隆·馬斯克的TESLA電動車、SpaceX重型火箭等。正如有專家所說，我們需要仔細思考人工智能的研究工作目前處于什么階段，是嚴冬還是暖春？智能時代出現的無人系統、納米科技、量子計算和物聯網絡，都在彰顯多學科交叉研究的重要性，所以我們說跨多學科的融合將生產力發展提升到一個新的臺階，現在已經可以讓機器代替人工作了。這是一個多學科交叉的時代。

人類社會的發展過程實際上是生產力不斷提升的過程，而生產工具的變革是生產力發展的具體體現。人類從原始社會開始學會使用工具，到農耕社會發明新工具，到蒸汽機和電的發明提升這些生產工具的工作效率，再到信息時代世界變成了可以協同工作的地球村，最后到我們現在的智能時代，用機器人代替人使用工具工作。由此可見，在現階段無人系統將是推進社會進步的強勁動力，而無人系統的發展瓶頸會給我們帶來巨大的挑戰。

典型的無人系統

無人系統是科學和工程的跨學科融合，利用科學的思維指導工程實踐。涉及的學科眾多，典型的比如機械工程、電子工程、信息工程，也包括計算機科學、自動化，同時涵蓋腦科學和認知科學。無人系統自身涉及的內容非常廣泛，包括設計、建造、運行和使用的機器人，以及計算機系統對它們的控制、傳感器反饋及信息處理。

在目前這個階段，無人系統應用的主要目的是替代人類、復制人類的行為，主要用在“3D”場景。第一個D，是Dull，用機器來代替人類完成日?；?、流水線的工作，比如自動駕駛，工廠里的流水線，電力、石油、礦井等基礎設施的日常巡檢；第二個D，是Dirty，用無人系統代替人完成一些惡劣環境下的工作，比如隧道挖掘、戰場上的戰備負重、日常家居的清潔工作等；第三個D，是Dangerous，用無人系統代替人來做危險的工作，比如拆彈機器人、戰場傷病救援、機器人醫療和外太空探索等。這些都是無人系統的重要應用場景。

無人系統技術發展迅猛，出現了很多我們耳熟能詳的公司和代表性產品。比如美國波士頓動力的機器人產品序列，在軍事運輸、協同作戰和災難救援等方面有著非常廣闊的應用前景；還有德國Festo公司的仿生機器人，從2006年發布第一款仿生魚開始，陸續研發了仿生水母、仿生鳥、仿生蝴蝶、仿生螞蟻和仿生袋鼠等；還有大家非常熟悉的自動駕駛領域，這是很多專家和行業公司都在做的，包括無人駕駛里的前向碰撞預警、車道偏離報警、行人碰撞警告等，這是從車輛本身的視角來說的，還有車輛與道路的關系問題，比如車道跟蹤、車流量監控、變換車道、自主泊車等，最后就是車輛與環境的關系，比如沙塵暴、霧霾、夜晚、行人路段避讓，包括緊急目標避讓等，這三個方面都是大家熟悉并關心的問題。還有無人機系統，目前國際上已經有多家公司投入巨資研發載人無人機，此外無人機在軍事領域的應用更是非常廣泛，具有代表性的比如全球鷹、捕食者和這里提到的軍用納米無人機、殺人蜂無人機等。

人工智能理論與工程技術的發展，賦予了無人系統更大的力氣，比如Sarcos公司的Guardian GT機械手可以輕松舉起500公斤的重物；更靈巧的手，比如可以代替人做外科手術的Surgical Robots；更明亮的眼睛，比如代表計算機視覺與VR技術前沿成果的微軟Holograms；更聰明的大腦，比如日本本田公司的機器人Asimo等。在機械技術、控制技術、計算機視覺技術、大數據分析和神經網絡技術的交叉融合下，無人系統及其應用得到了飛速發展。

納米無人機登上了2019年6月份Nature主刊的封面

無人系統發展得如此迅速，它是否存在瓶頸？瓶頸在哪里？我們以無人機系統為例來討論一下。美軍的無人機序列非常完備，包括大型的全球鷹、捕食者，中型的大渡鴉，再到超小型的黑蜂無人機。隨著材料科學的發展，又出現了納米無人機，總重量只有259毫克，是2019年6月份Nature主刊的封面文章。可以說，未來戰爭將是高精尖機器人的主戰場。

美軍將無人機的自主能力分成了10個等級，第1級是最簡單的遙控引導，最高級第10級是全自主集群飛行。從第5級開始已經關注集群協同了，無人機群與士兵聯合作戰，涵蓋了全自動和半自動的情況。

舉幾個無人機智能化的例子。第一個是DARPA正在進行的OFFSET項目，利用多個無人機協同采集場景信息，可以在30分鐘之內重建出2個街區的三維模型；還有DARPA挑戰賽的FLA輕量級無人機超高速避障，使用的傳感器是雙目可見光和激光雷達，利用小型GPU作為機載計算平臺；還有2013年國際空中機器人大賽世界冠軍，利用全自主無人機執行反恐任務，完成特定目標識別、室內場景三維重建等。這些技術都有良好的應用前景，比如現在樓宇、礦井的搶險救災等都在探討用全自主無人機來執行搜索、勘查任務。例如無人機在北京電網地下管廊0.8～1米狹窄空間內，實現電纜溫度的全自主巡檢；還有神華集團錦界煤礦地下礦井的瓦斯濃度全自主檢測，人不用下去工作，利用無人機就可以實現全自主巡檢。

想要實現無人機的智能化，工作可以分為三個部分。首先是看場景的紋理、深度信息，常規應用下現有商業傳感器的采集速度已經足夠了；其次是飛，現有硬件控制器的姿態解算、內環和外環控制能力已經足夠；最后是算，想要無人機系統真正實現全自主飛行，在采集了外界環境信息后，需要解算自身位置、姿態并重建外界環境，然后才能將控制指令發送給飛行控制器來執行飛行動作。在研究的過程中我們發現，無人機智能化最重要的“算”的環節，極大受限于計算平臺的算力。想要更好的計算性能就需要好的計算平臺，這些計算平臺往往重量大、尺寸大、功耗大，而無人機的載荷和續航能力是很有限的。推而廣之，人工智能技術最重要的3個方面是算法、算力和大數據，三足鼎立里最重要的是要解決算的問題。

光電認知計算的無人系統

大家都知道計算嵌入到我們生活的各個方面，是現代信息社會的基石。計算能力反映社會進步程度，是綜合國力的象征，算力已經成為各國科技競賽中最重要的制高點。自從2012年以來人工智能異軍突起，大概5～7年時間內人工智能的算力需求增加了30萬倍，對現有計算平臺的算力提出了非常大的考驗?，F在都在做人工智能，算力從哪里來？這是非常重要的基本問題。根據摩爾定律，集成電路的集成度每18個月要翻1倍，性能提升1倍。而現在電子器件的摩爾定律面臨全面失效，硅基電路摩爾定律5年僅增長8倍，難以支撐人工智能產業的高速發展。

戴瓊海院士

一般來說，算力正比于CPU的工作頻率，當前CPU的頻率是4個G，物理極限是30個G，芯片的功耗正比于頻率的3次方。CPU的執行效率低下，執行所用能量僅占9%，而數據讀取占比高達35%。因此晶體管的密度激增僅僅帶來功耗的快速增長，而性能增速卻逐步放緩。

想要突破物理極限提升算力，有兩個途徑。一個是從計算并行度出發，GPU、FPGA等架構，核心越多算力越高，但單個核心的功能弱，僅適合算數運算，不適合邏輯元，僅僅提升了讀取帶寬，而且計算頻率越高功耗就越高。另一個途徑是從模擬生物神經網絡出發，如類腦計算、神經形態計算等。利用對生物腦機制自底向上的模仿來實現連接即計算。優勢是可以像人腦一樣功耗非常低，然而代價就是算力低下。現在的類腦計算系統IBM的TrueNorth有6400萬個神經元，有160億個突觸。我們人腦由三個腦構成，第一個是本能腦，吃喝拉撒都靠本能腦；第二個是情緒腦，它讓人會哭會笑；第三個就是人腦和動物不同的叫邏輯腦，邏輯腦神經元大概140億個，有100萬億個突觸，目前所實現的類腦和神經形態計算與人腦數量相比，相差了多少個數量級，所以功耗降了，算力也降了，只提高了能效。此外，谷歌的TPU也是從模擬人工神經網絡出發，算力強、頻率高，功耗中等，但它是針對某個任務的，一事一議，專用，代價高。

總結一下現有硅基集成電路的局限性，首先受到晶體管加工物理極限限制，其次散熱極限限制了神經元數目，最后二進制的集成電路構架語言限制了它的發展。比如，我們希望硅基做到7納米，甚至做到7納米以下，到7納米就要開始防止漏電，小于7納米時量子隧穿效應就會越來越明顯，容易短路。因此人們開始想起了以前丟失的光計算。光計算和人工智能一樣，也是三起三落。

大家可以看看光學計算的發展歷史。人工光電計算是1960年產生的，它的算力非常強，然而硅基的出現把電子計算、光學計算又棄之一邊，貝爾實驗室當時采用砷化鎵光學做了測試，但是沒有把光計算放進去。直到2012年、2013年光計算開始引起足夠的重視，因為人工智能的發展需求來了，算力有希望大大提升。因此，2017—2019年光學計算發展非常迅速。

光學計算相比于傳統計算的優勢在于保持高效的同時，能以光速進行模擬運算，帶來算力的迅速提升。每單位面積（平方厘米）芯片上，每秒可進行的乘加運算，智能光電計算可以達到3個數量級的提升，而每次乘加計算的計算效率將會比傳統硅基電路提升6個數量級。

光場傳播有多個維度，這些維度都可以用來計算。三維受控的衍射傳播，實現全并行光速計算，那么高維光場信號可以帶來前所未有的帶寬通量，采、存、算一體結合材料科學實現小型化，所以以光學作為計算手段，能夠帶來新的顛覆性革命。這種顛覆性革命包含幾個方面：①范式顛覆：采集與計算無縫銜接，突破存算分離的速度制約；②速度提升3個數量級，計算頻次達到1THz，遠遠超過GHz電子芯片頻率；③功耗降低百萬倍。

我們團隊做了全光神經網絡的模型和架構，首次通過光的衍射屬性，構建了多層全光學的光速計算神經網絡，并且通過三維打印的方式進行物理實現，非常簡單易行。

在傅里葉域光學衍射網絡方面，我們設計了光學傅里葉域的計算系統，在可見光波段進一步減小元件尺寸，并且融入光學非線性，實現二維圖像的語義計算。每秒1萬幀圖像，人眼難以分辨，利用光拍攝時，就變得非常容易實現。在這里面國際同行也做得非常漂亮，比如，2017年MIT就實現了干涉光學神經網絡，采用的方式是相位調整加波導干涉，引起同行大量關注，目前已經做到深度學習中的矩陣運算。另外，德國明斯特大學和英國牛津大學、?？速愄卮髮W，解決了線性和基本非線性的問題，得到了非常重要的突破。這些成果就給了我們新的啟示和工作方向，干涉光學網絡和算力光學網絡在每平方毫米所產生的神經元計算數量變得非常少，所以現在已經進入新一輪光學芯片的競賽，開始增加其算力。

我們希望能夠在干涉衍射情況下再加上非線性，這樣一來每平方毫米的神經元個數可以達到10的5次方，而計算效能能夠達到10的23次方，提高的數量更大，性能更高。因此，光電計算能夠給未來的工作帶來非常大的突破。大家可以看到，如果有光計算就可以將數據的采集、計算和感知放在一起，突破現在采、算分離的局限性，達到更快速度。

未來的光電計算能夠給人工智能領域帶來顛覆性的突破，尤其是無人系統的發展。現在很多無人系統的計算都要放在云端，借助光電計算就可以實現超小型智能武器、智能仿生的機器人、微型修理機器人，尤其是光電計算的自動駕駛。自動駕駛最難的就是200～300米的深度估計，在我們車速限速120公里每小時的情況下，只有使用光電計算才能夠實現駕駛場景的實時感知，為自動駕駛的發展提供重要的支持。所以說，光電認知計算的無人系統將會更快、更小和更加的智能！

（本文為戴瓊海院士在2019第九屆中國智能產業高峰論壇上的主題演講）