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(jīng)元數(shù)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(jīng)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(jīng)擬態(tài)芯片組成的神經(jīng)擬態(tài)系統(tǒng)有26.2萬個神經(jīng)元，相當于擁有了一只瓢蟲的智慧，而由768塊神經(jīng)擬態(tài)芯片組成的神經(jīng)擬態(tài)系統(tǒng)的智慧則追上了倉鼠。
如果神經(jīng)元的組織方式?jīng)Q定了大腦的思考方式，那么實現(xiàn)神經(jīng)擬態(tài)計算，首先需要構建一個模擬大腦神經(jīng)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(jīng)擬態(tài)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(jīng)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(xiàn)在即便訓練一個圖像識別模型，都需要數(shù)千瓦特，能源消耗已成為大規(guī)模AI部署的障礙。”
而擁有存儲和計算一體結構的神經(jīng)擬態(tài)芯片，節(jié)約了傳統(tǒng)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(jīng)擬態(tài)芯片問世，包含13萬個神經(jīng)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(shù)據(jù)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(jīng)擬態(tài)計算就是通過模擬人腦神經(jīng)元工作機制，讓人工智能不只局限于某一領域。
在神經(jīng)擬態(tài)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(shù)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(lián)的實時、動態(tài)數(shù)據(jù)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(jīng)擬態(tài)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(guī)模計算，在某些任務中，它的理論可擴展性甚至超過神經(jīng)擬態(tài)系統(tǒng)，但相比神經(jīng)擬態(tài)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(jīng)擬態(tài)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(jīng)擬態(tài)計算應用，但要大規(guī)模商用，還需要解決通用性不足的問題。
“距離將產(chǎn)品推向市場，我們還要等待數(shù)年。”英特爾神經(jīng)擬態(tài)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(chǎn)品組合的開始。
研究機構Gartner預測，2025年，神經(jīng)擬態(tài)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(chǎn)業(yè)。”
宋繼強強調，Pohoiki Springs等神經(jīng)擬態(tài)系統(tǒng)仍處于研究階段，設計目的并非取代傳統(tǒng)的計算系統(tǒng)，而是為研究人員提供工具來開發(fā)和描繪新的算法。(本報記者 劉 艷)
上一頁 1 2 下一頁
