自然界中，即使最小的生物也能解決極為復雜的計算問題，很多昆蟲大腦的神經元數目遠低于100萬個，卻能實時跟蹤物體、導航和躲避障礙物。而人類大腦由860億個互相連接的神經元組成，要讓人工智能變得和人一樣聰明談何容易。
目前由兩個上述神經擬態芯片組成的神經擬態系統有26.2萬個神經元，相當于擁有了一只瓢蟲的智慧，而由768塊神經擬態芯片組成的神經擬態系統的智慧則追上了倉鼠。
如果神經元的組織方式決定了大腦的思考方式，那么實現神經擬態計算，首先需要構建一個模擬大腦神經元工作的計算芯片。宋繼強說：“我們試圖觀察、學習和理解大腦的運行，并在計算機芯片上復制。”
德國海德堡大學物理學家卡爾海因茨·邁耶是神經擬態學工程師們的領軍人物，在他看來，人類大腦具有低功耗、容錯及無需編程三大特點，雖然人類大腦功率只有20瓦特左右，并且時刻都在失去神經元，卻不影響它對這個世界的運算、理解和應對。相比之下，試圖模擬人腦的超級計算機卻必須預設算法，動輒需要幾百萬瓦特的功率，失去一個晶體管就能破壞一個微處理器。
宋繼強說：“深度學習的功率越來越高，現在即便訓練一個圖像識別模型，都需要數千瓦特，能源消耗已成為大規模AI部署的障礙。”
而擁有存儲和計算一體結構的神經擬態芯片，節約了傳統計算架構中處理單元和存儲器間通信所消耗的時間和功耗。
2017年，全球首款自主學習神經擬態芯片問世，包含13萬個神經元和1.28億個突觸，使芯片向人腦進化成為可能。
如果說深度學習是通過大量標注數據讓機器學習解決某一問題，如AlphaGO沒有學習象棋前，只會下圍棋，神經擬態計算就是通過模擬人腦神經元工作機制，讓人工智能不只局限于某一領域。
在神經擬態芯片展示的學會的各種能力中，不僅包括實時識別手勢、使用新型人造皮膚閱讀盲文、還包括通過自主學習獲得視覺地標確定方向及學習新氣味，而上述每項功能只消耗數十毫瓦。
有專家認為，這一突破為科學研究需要的可自主、互聯的實時、動態數據處理新方法奠定了基礎，擴展了蓬勃興起的邊緣計算應用前景。
要商用還需通用計算架構
在深度學習、機器學習之后，神經擬態計算被認為是推動人工智能進入新階段的重要手段。雖然量子計算也擅長大規模計算，在某些任務中，它的理論可擴展性甚至超過神經擬態系統，但相比神經擬態計算，量子計算離真正商用還有不小的距離。
雖然看上去神經擬態芯片的商用比量子計算更近一步，部分研究機構已展示了很多神經擬態計算應用，但要大規模商用，還需要解決通用性不足的問題。
“距離將產品推向市場，我們還要等待數年。”英特爾神經擬態計算實驗室主任邁克·戴維斯說，我們真正感興趣的是找到一種像馮·諾依曼架構那樣相對通用的新型計算架構。這才是真正擴展可應用通用計算產品組合的開始。
研究機構Gartner預測，2025年，神經擬態芯片有望取代GPU，成為先進人工智能部署的主要計算架構。
宋繼強不完全認同這種說法：“機器學習在很多領域依然是目前最好的訓練、學習手段之一。只有將多種技術靈活的運用到人工智能領域，它才能真正成為惠及民生的產業。”
宋繼強強調，Pohoiki Springs等神經擬態系統仍處于研究階段，設計目的并非取代傳統的計算系統，而是為研究人員提供工具來開發和描繪新的算法。(本報記者 劉 艷)
上一頁 1 2 下一頁
