人工智能繼續叠代,類腦計算悄然走紅
2019-12-20 11:35:59      來源:科技日報

深度學習正遍地開花,但它可能並非人工智能的終極方案。無論是學術界還是産業界,都在思考人工智能的下一步發展路徑:類腦計算已悄然成爲備受關注的“種子選手”之一。

12月16日至17日,由北京未來芯片技術高精尖創新中心及清華大學微電子學研究所聯合主辦的“北京高精尖論壇暨2019未來芯片論壇”在清華大學舉行,這次論壇上,類腦計算成爲多位權威專家熱議的人工智能研究方向。

人工智能浪潮下的洋流

类脑计算又被称为神经形态计算(Neuromorphic Computing)。它不仅是学术会议关注的新熱點,产业界也在探索之中。

11月中旬,英特爾官網宣布了一則消息:埃森哲、空中客車、通用電氣和日立公司加入英特爾神經形態研究共同體(INRC),該共同體目前已擁有超過75個成員機構。

如果說,當下人工智能發展浪潮正波濤洶湧的話,類腦計算就是浪潮之下的洋流。雖不太引人注意,未來卻有可能改變人工智能發展趨勢。

原因之一是,深度學習雖在語音識別、圖像識別、自然語言理解等領域取得很大突破,並被廣泛應用,但它需要大量的算力支撐,功耗也很高。

“我们希望智能驾驶汽车的驾驶水平像司机一样,但现在显然还达不到。因为它对信息的智能判断和分析不够,功耗也非常高。”清华大学微纳电子系教授吴华强告诉科技日報记者,人工智能算法训练中心在执行任务时动辄消耗电量几万瓦甚至几十万瓦,而人的大脑耗能却仅相当于20瓦左右。

北京大學計算機科學技術系教授黃鐵軍也舉了一個生動的例子:市場上應用深度學習技術的智能無人機已經十分靈巧,但從智能程度上看,卻與一只蒼蠅或蜻蜓相差甚遠,盡管體積和功耗比後者高很多。

追求模擬大腦的功能

到底什麽是類腦計算,它又憑什麽贏得學術界和産業界的寵愛?

“类脑计算从结构上追求设计出像生物神经网络那样的系统,从功能上追求模擬大腦的功能,从性能上追求大幅度超越生物大脑,也称神经形态计算。”黄铁军接受科技日報记者采访时说。

類腦計算試圖模擬生物神經網絡的結構和信息加工過程。它在軟件層面的嘗試之一是脈沖神經網絡(SNN)。

現在深度學習一般通過卷積神經網絡(CNN)或遞歸神經網絡(RNN)來實現。“CNN和RNN都屬于人工神經網絡,其中的人工神經元,至今仍在使用上世紀40年代時的模型。”黃鐵軍說,雖然現在設計出的人工神經網絡越來越大,也越來越複雜,但從根本上講,其神經元模型沒有太大改進。

另一方面,在深度學習人工神經網絡中,神經元之間的連接被稱爲權值。它們是人工神經網絡的關鍵要素。

而在脈沖神經網絡中,神經元之間卻是神經脈沖,信息的表達和處理通過神經脈沖發送來實現。就像我們的大腦中,有大量神經脈沖在傳遞和流轉。

黃鐵軍告訴記者,由于神經脈沖在不停地傳遞和流轉,脈沖神經網絡在表達和處理信息時,比深度學習的時間性更突出,更加適合進行高效的時空信息處理。

推廣應用可能不需太久

也有人從硬件層面去實現類腦計算,比如神經形態芯片。

2019年7月,英特爾發布消息稱,其神經形態研究芯片Loihi執行專用任務的速度可比普通CPU快1000倍,效率高10000倍。

“在对信息的编码、传输和处理方面,我们希望从大脑机制中获得启发,将这些想法应用到芯片技术上,让芯片的处理速度更快、水平更高、功耗更低。”吴华强也在进行神经形态芯片相关研究,他告诉科技日報记者。

吳華強介紹,在傳統的馮·諾依曼架構中,信息的處理和存儲是分開的,而人的大腦在處理信息時,存儲和處理是融爲一體的。

“所以我們在嘗試研發存算一體化的芯片,希望通過避免芯片內部不停地搬運數據,來大幅提高芯片的能效比。”吳華強說,他的團隊現在也已研發出存算一體的樣品芯片。

談到類腦計算的進展,黃鐵軍告訴記者,目前類腦計算仍在摸索階段,還缺乏典型的成功應用。但商業公司已經嗅到味道,相關技術獲得規模性應用可能不需要太長時間。

“现在的神经形态计算还比较初步,它的发展水平跟现有主流人工智能算法相比,还存在一定差距。”中科院自动化所研究员张兆翔接受科技日報记者采访时认为,但作为一种新的探索方式,应该继续坚持,因为它可能就是未来人工智能技术发展的重要突破口。(科技日報 记者刘园园)

編輯:王竣彥(實習) 責任編輯:孫紅亮

廣告熱線:(0871)65364045  新聞熱線:(0871)65390101

24小時網站違法和不良信息舉報電話:0871-65390101  舉報郵箱:2779967946@qq.com

互聯網新聞信息服務許可證:53120170004

增值電信業務經營許可證(ICP):滇B2-20090009