加州大學聖地牙哥分校（University of California, San Diego）之神經計算研究所（Institute for Neural Computation，INC）
擁有來自基礎科學、醫學及工程等14個研究領域的44位研究人員，共同推動並發展一門嶄新跨領域「計算與學習科學」。該研究所以生物神經系統中所展現的多層次（multiscale）、平行運算（parallel）與高度自適應（highly adaptive）架構為基礎，致力於透過連貫且一致的研究計畫，開發新一代的大規模平行電腦，研究範圍涵蓋神經科學、視覺科學、認知科學、人工智慧、數學、經濟與社會科學，以及電腦工程等領域，積極與產業界、臨床機構及更廣泛的社會群體合作，期能將研究成果落地應用。
↑INC組成與願景
/來源：取自INC網站https://inc.ucsd.edu/about/mission.php /
INC發展背景
INC約 於1990 年成立，可追溯至早期的認知科學 (Institute for Cognitive Science)；是UCSD校園中 neuromorphic / neural computation 領域的重要單位。其主要任務 (mission) 係連結校內不同學科 (neuroscience、AI、數學、工程、認知科學等)，推動「neural computation」（自然神經系統與人造系統之間的交互算式 / 學習機制）研究。同時該單位亦會定期舉辦 seminar series、年度講座 (Rockwood Lecture 等)，作為認知科學領域(Cognitive Science)的交流平台。
INC 與其他實驗室 / 中心也有密切交互合作，例如 Bioengineering department、Electrical & Computer Engineering (ECE)、Cognitive Sciences program 等；亦在智慧機器人相關領域與其他實驗機構合作，如社交機器人、人機互動 (human-robot interaction, HRI) 有關的專案。目前該研究機構的核心成員之一鍾子平教授，即擔任INC轄下Center for Advanced Neurological Engineering 的共同主任(Co-Director)，以及Swartz Center for Computational Neuroscience (SCCN) 的 副主任（Associate Director）。
INC近期研究重點
1.次世代腦部植入裝置（Neuro-clear計畫）
由 UCSD雅各工程學院（Jacobs School of Engineering）研究團隊領導，獲得美國國家衛生研究院（NIH）500 萬美元經費，用於開發新一代高解析、高速度的神經植入裝置。此裝置以柔性透明的石墨烯電極為核心，可置於腦表面卻能同時記錄腦部深層神經訊號，兼具高靈敏度與低侵入性。
2.透明石墨烯電極陣列預測深層神經活動
延續「Neuro-clear」技術，研究團隊開發出超薄、可彎曲(flexible)的高密度石墨烯電極植入物。在小鼠實驗中，此裝置能同時量測腦表面的電活動與深層約250微米處的鈣離子活動，並透過機器學習模型從表層訊號推測深層神經活動，顯示出非侵入式腦部讀取的潛力。
3.類神經形態運算（Neuromorphic Computing）擴展研究
在2025年1月刊登於《Nature》的論文中，UCSD兩位研究人員共同提出推動類神經形態運算發展的路線圖。研究重點包括：
- 利用神經網路的稀疏性（sparsity）
- 採取「局部密集、全域稀疏」的階層式連結架構
- 改良硬體能效
- 強化類神經系統的可程式化架構此研究有助於讓 AI 系統在更節能、更高效的運算環境中運作。
4.大腦如何學習：多樣化的突觸學習規則
由UCSD神經生物學團隊發現，小鼠神經元的突觸學習規則會因突觸位置不同而異，例如不同樹突分支區段呈現不同的學習模式。這項發現挑戰了以往「單一突觸可塑性規則」的觀點，對於理解人類學習與記憶機制以及設計具多樣化學習能力的人工智慧模型都有重要啟示。此外，這項發現更可能提供未來醫學上治療成癮、創傷後壓力症候群、阿茲海默症，甚至神經發展異常(如自閉症譜系障礙)等疾病全新的介入方式。
INC 機器人研究專案 RUBI Project
RUBI 是 INC 的 Machine Perception Lab 底下的專案之一，旨在加速社會型機器人領域的發展，並探索「社交機器人」(social robot) 在早期兒童教育環境中的互動能力與應用 (例如與幼兒互動、助教或教育場域支援)，採用「沉浸式設計(design by immersion)」的方式，把機器人與研究人員置入日常教育環境 (如幼教中心)，讓硬體／軟體設計與研究問題，可以立即從實際情境中回饋與修正。
其實際案例應用在聖地牙哥幼兒教育中心 (Early Childhood Education Center at UCSD) ，透過與18-24個月大的幼兒互動(因該年齡層對機器人先入為主的觀念較少，有助於研究團隊聚焦非語言交流、情感和社交連結行為之發展)，進行長期介入與觀察，試圖讓社交／互動機器人 (Humanoid robot) RUBI成為環境中一部分，並將研究成果整理為《The RUBI Project: A Progress Report》發表。
↑ 機器人於ECEC與幼兒互動過程，現場有攝影機及工作人員隨時評估紀錄
/來源：The RUBI Project: A Progress Report/
↑ RUBI廣角攝影機視角
/來源：The RUBI Project: A Progress Report/
↑ RUBI與兒童透過加州教育部頒布的教材(California Results Developmental Profile)互動
/來源：The RUBI Project: A Progress Report/
RUBI 原型是一個三英尺高、外觀討喜的機器人，帶有頭部、雙臂和觸控螢幕，INC研究團隊表示，透過實地研究與數據分析，更體現到社會型機器人或互動型機器人仰賴多個不同領域、學科的專業投入，包含軟硬體工程與社會科學， 同時也在建立數學模型框架上，邁出重要的一步，該研究立基於「隨機最佳控制理論 (Theory of Stochastic Optimal Control)」，解決傳統認知和符號式人工智慧方法難以解決的社交互動問題，例如時序的重要性、社交互動是持續的「舞蹈」而非輪流過程，以及在不斷變化的不確定信息中採取回應的需求。
為了應對現場遇到的問題，研究團隊開發了 RUBIOS 的第一個軟體版本，這是一種受隨機最佳控制理論啟發的軟體架構，程式設計師可以專注於機器人的目標，讓機率理論和機器學習來處理實現目標的細節。團隊亦發現雖然實驗室的感知系統（例如人臉檢測、表情識別）在受控條件下表現良好，但在教室的非受控條件下不夠可靠。故在實驗第二年，團隊專注於開發一個穩定且有效的笑臉檢測器 (smile detector)，將其運作效能提升至96.8%。並且開發了一種新的方法，讓機器人具備自主學習能力，能夠主動識別並發現運作環境中物體的視覺外觀。例如，一個嬰兒機器人可以在不到 6 分鐘的互動後，以超過 90% 的高準確度檢測出新圖像中人物的存在。
經過團隊多次的調整與實驗，兒童通常認為 RUBI 沒有威脅性，並且在相處一段時間後，兒童也會對機器人表現出包括指點、擁抱、模仿等多種社交行為。最大的挑戰則是機器人的手臂，其被證明是計畫中最具挑戰性、最難以捉摸的硬體設計問題，困難在於需要執行器能夠承受兒童互動時施加的力道，要在預算範圍內兼顧安全、小巧的設計要件。
