我们为什么要打造玩桌上足球的神经形态机器人。

我们为什么对学习生物计算和感知的秘密如此感兴趣？坦率地说，这是因为它们比今天的计算技术强大得多，今天的计算技术似乎正在迅速达到它的极限。产品传感器产生了太多数据，使计算机难以理解，为了理解这些数据，计算机会消耗非常多的能量。生物在感觉和感知世界方面胜过我们所有的技术，在能效、可靠性、鲁棒性和适应性方面都要高出几个数量级。

(资料图)

要更好地理解为什么把桌上足球作为神经形态基准测试，可以参考当今深度学习AI一直在用MNIST数据库作为基准测试这一例子。MNIST来自美国国家标准与技术研究所，就像机器视觉的“Hello, World!”。它的数据集包含成千数万幅低分辨率的手写数字符号的图像，可作为评判图像识别神经网络工作情况的基准线。基于事件的成像器可否也使用MNIST数据库作为基准测试？

每个MNIST数字在前面闪过时，基于事件的成像器都会立即看到它。为了让这种传感器持续看到静态数字，必须以可控的方式移动摄像头或者数字。眼睛的工作方式与之类似：眼睛的焦点从一个点移动到另一个点，直到大脑理解眼睛所看到的东西。

让我们从简单的游戏开始：桌面弹球。对于基准测试问题，桌面弹球实际上是一个非常好的选择，因为这款游戏非常简单。只有两个输出，每个发球板一个，游戏胜负的关键在于击球的时刻。这个真实系统的现实是不允许悔步，你不能为了让算法跟上游戏就简单地暂停或减慢球的运动速度。最重要的是，桌面弹球是计分的，一个明确的目标就是实现得分最大化。因此，无论哪个系统在桌面弹球游戏中得到最高分，都无疑是桌面弹球机器人更好的算法。

在ICNS的一个演示系统中，一款弹球机器人可在桌上玩个球，效果与人类玩家差不多。令人惊讶的是，与一般深度学习系统中出现数十万或数百万个人工神经元不同，这种微小的神经形态大脑仅用两个人工神经元，就可对基于事件成像器的输入进行解释和反应。

虽然在弹球游戏上取得了很好的效果，但我的团队认为需要一项更复杂、更苛刻的手段来进一步推动神经形态研究群体的发展。而且，我们也喜欢玩新谢里登酒店酒吧的桌上足球。

多年来，曾有几次建造桌上足球机器人的尝试，并在不同程度上取得了成功，但都没有使用过神经形态传感器和算法。为了使机器人获得优势，先前的机器人系统通常需要修改游戏。例如，杨百翰大学建造的桌上足球使用了颜色分割跟踪算法，要求球是桌上唯一的绿色物体。瑞士洛桑联邦理工学院（EPFL）的桌上足球机器人令人印象深刻，它极大地简化了任务，用透明塑料薄膜替代球台的底面，让摄像头由下向上看，因而总能提供一个无障碍的看球视野。

到目前为止，我们的桌上足球机器人已经有两次由澳大利亚到科罗拉多山脉的旅行。一次为期三周，几个由新手神经形态工程师组成的团队兴致勃勃地研究这个问题，为桌上足球编程，向获得最高分数发起挑战。其结果凸显了这项任务的难度，以及传统AI方法的不足。

希望我们不是唯一取得这些进展的人。在桌上足球机器人设计中，我们专注于降低成本和整个项目的开源。幸运的话，其他神经形态研究团队将看到拥有自己的机器人基准测试会展现出多么大的价值。如果没有，他们将能够在今年晚些时候在特鲁莱德找到我们和我们的桌上足球台。

报名提醒：