0
| 本文作者： 包永剛 | 2020-06-22 16:29 |
雷鋒網按，一個新技術從提出到成熟往往要經歷多次熱潮，當下熱門的AI正是如此。縱觀整個AI的發展歷程，可以分為三個階段。目前，AI正在從2.0階段發展到3.0階段，此時，重要的一環就是神經擬態計算取得的突破性進展，而這又需要在兩個方面發力。
今天距離人類最初探索外太空已經有51年之久了。1969年，美國宇航員阿姆斯特朗踏上了月球表面，他的那句“我的一小步，人類的一大步”仍然被我們所熟記。
正如人類從未停止過對外太空的探索一樣，科研人員對人工智能（Artificial Intelligence）領域也從未停止過探索。如果說我們之前的探索是停留在人工智能的“地球表面”，現在的科技進步、軟硬件的成熟正帶領我們進入人工智能的新領域，即人工智能的“外太空”。其中關鍵性技術——神經擬態計算的巨大突破就是一個重要的推進器。
英特爾近期在超高能效比的神經擬態計算領域取得了矚目的進展，例如Loihi芯片已經具備了嗅覺，可以識別10種有害氣體；由有768顆Loihi神經形態芯片組成的Pohoiki Springs神經擬態計算系統擁有1億個神經元，相當于一個小型哺乳動物。可以說，正是這些在神經擬態計算領域的“一小步”，成就了AI發展的“一大步”。
AI3.0——讓機器實現從感知到認知
人工智能的“外太空”，也被業界稱為AI3.0，它會和我們目前所處的AI時代有哪些不同？
英特爾中國研究院院長宋繼強
回答這個問題之前，先來了解人工智能的發展歷程以及不同的階段的特點。英特爾中國研究院院長宋繼強認為，人工智能可以從“感知”、“學習”、“抽象”、“推理”四個方面來衡量，而縱觀整個人工智能的發展歷程，可以分為三個階段。
最早的AI1.0時代可以概述為‘符號’學派主導的專家系統。這個時代注重基于規則的邏輯推理，可以在特定的、狹義定義的問題領域給出合理結論。這個時代的AI在感知方面發展有限，也沒有涉足基于數據的‘學習’和‘抽象’能力。
而AI2.0是“聯結學派”主導的深度學習，也是我們現在所處的階段。AI的能力在“感知”和“學習”領域都已經有了長足的進步，也具備了一定的抽象能力，依靠大量可采集的數據做AI訓練。
邁向AI3.0時代，AI的能力需要在這四個方面全面提升。宋繼強表示，在這個時代，AI變得可解釋、更安全，善于總結和利用知識，可以實現連續終生學習，同時，AI也將變得更加可靠，符合人類的倫理道德。
“總結來說，到AI3.0時代，機器已經擁有了人類的‘認知智能’，而不僅僅是停留在感知層面，距離機器超越人類的‘超人工智能’又更加進了一步，”宋繼強表示。
超高能效比，會自學的神經擬態計算芯片
助推AI從2.0階段邁入3.0階段，其中重要的一環就是神經擬態計算取得的突破性進展。
神經擬態計算主要指用包括模擬、數字或者模數混合大規模集成電路（也包括神經元或者神經突觸模型的新型材料或者電子元器件研究 ）和軟件系統實現神經網絡模型，并在此之上構建智能系統的研究。神經擬態計算芯片的創新架構設計模擬人腦的神經元結構和運行方式，并將計算和存儲融合一體。
神經擬態計算以原生的方式支持獨特的脈沖神經網絡（SNNs）。這是一種特殊的網絡，可以模仿人腦神經元的動態連接和強化方式將計算模塊進行分布和自學習。SNN中每一個“神經元”都可以被多路輸入的包含時序信息的脈沖單獨激發，并向網絡中其他神經元發送脈沖信號，從而直接改變神經元的電學狀態。
“這樣類似大腦突觸的工作方式所需要的能耗非常低，因為它可以根據應用的需求，讓只需要工作的‘神經元’啟動，實現將標準模態的輸入互相整合，”宋繼強說到。另外，通過對信號內部的信息和發送時機進行編碼，以及在人工神經元突觸之間進行動態映射，SNN就能夠啟動自然學習的過程。
這種超高能效比的自我學習方式對于人工智能的進一步發展非常重要。目前AI訓練的能耗問題非常嚴峻。根據國外研究顯示，訓練一個大規模深度神經網絡的AI模型所需要的能源相當于五臺美式轎車整個生命周期的碳排放量。另外，現階段人工智能對大數據也有很強的依賴性，但隨著未來AI應用的廣泛發展，大量可標注數據會越發地成為一種稀缺資源。神經擬態計算可以把完成同類任務的功耗降低千倍，是一種綠色的AI實現方式。
舉例來講，氣味識別是一種典型的小數據量的場景。基于Loihi的系統已經可以僅用每種一個樣本訓練，即可識別10種不同的危害氣體。而普通的深度學習AI芯片想要實現同樣的效果，則需要3000個樣本，這是非常難以實現的。
最近，宋繼強也和來自杜克大學的陳怡然教授以及來自浙江大學的唐華錦教授進行了一次有關神經擬態計算的行業對話。在此次對話上，三位都認為相比深度學習，神經擬態計算的神經元結構決定了它不是單純解決一個數據訓練、模式識別的問題，它所實現的是非結構化信息的感知和推理，以及解決多模態感知和需要給出“實時性”響應的問題，具備更好的“魯棒性(robustness)”。
特別提出的是，宋繼強認為近期有關神經擬態計算會替代深度學習的言論，他并不是很贊同，“我認為二者其實是兼收并蓄的關系。對于深度學習已經非常擅長的，模擬人類視覺或者自然語言交互的任務，還是應該用深度學習的網絡去處理；對于其他不適合用深度學習做的，比如說英特爾在嗅覺方面的實驗，以及機器人自適應操控、多模態甚至于跨模態之間的融合認知我們就可以用神經擬態計算來實現。”
神經擬態計算要實現突破應該在兩個方面發力
目前對于神經擬態計算的研究還處在早期階段。英特爾以及其他一些科技公司、科研機構也都在這個領域進行布局，并且取得了一些進展。除了上述提到的Loihi芯片最新具備的嗅覺能力之外，英特爾還發布了神經擬態系統Pohoiki Springs，已經擁有1億神經元的計算能力，相當于一個小型哺乳動物的大腦。
宋繼強也表示，未來要繼續實現技術上的突破，應該在兩個方面進行發力。
首先要“軟硬協同”。在硬件領域，神經擬態計算作為一種存算一體化的結構可以直接受益于摩爾定律的發展。經過多年研發，英特爾研究院已經把神經擬態計算支持的神經元數量通過整合系統提高了多倍。在軟件方面，英特爾也在開發新的算法做新的優化。
同時，開放式創新也是非常重要的，要繼續推動產學研之間的合作。“我一直都堅信，必須把技術應用到產業中去，只有讓產業界看到了成熟的應用，才能引起產業跟隨，從而進一步反推技術的進步，”宋繼強表示。
為此，英特爾建立了INRC（英特爾神經擬態計算社區）合作項目，聚集了全球學術、政府、行業機構，目標是共同解決神經擬態計算的廣泛挑戰。目前已經有包括埃森哲、空中客車、通用電氣、日立在內的企業成員加入，在過去一年內，INRC的規模擴大了兩倍。宋繼強表示：“對于神經擬態計算的成熟‘殺手級’應用，我認為指日可待。”
人工智能的“外太空”充滿未知，同時也是人類要面對的一大挑戰。英特爾的宏旨是“創造改變世界的技術，造福地球上的每一個人”，因此推動技術變革，改善人來的健康和安全一直是英特爾在做的事情。宋繼強說他非常相信神經擬態計算的未來，相信它會早日讓我們窺見AI“外太空”的全貌。
本文來自英特爾，雷鋒網編輯發布雷鋒網雷鋒網
相關文章：
英特爾神經擬態系統擴展至1億個神經元，相當于小型哺乳動物腦神經元數量
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
