财讯：人工智能浪潮下的洋流 类脑计算悄然走红

本篇文章1676字，读完约4分钟

深度学习到处开花，但可能不是人工智能的终极方案。 学术界和产业界都在考虑人工智能的下一个快速发展路径:类脑计算正在悄然成为备受瞩目的种子选手之一。

12月16日至17日，由北京未来芯片技术高精尖创新中心和清华大学微电子学研究所共同主办的北京高精尖论坛和未来芯片论坛在清华大学召开，在此次论坛上，类脑计算成为众多权威专家热议的人工智能研究方向。

人工智能浪潮下的洋流

类脑计算也被称为神经形态计算( neuromorphic computing )。 不仅是学术会议关注的新热点，产业界也在探索中。

11月中旬，英特尔官网宣布，埃森哲、空中客车、通用电气和日立公司加入了英特尔神经形态研究共同体( inrc )，目前拥有75多个成员机构。

如果说现在人工智能飞速发展的浪潮汹涌澎湃，那么类脑计算就是浪潮下的洋流。 虽然不太引人注目，但将来有可能改变人工智能的迅速发展趋势。

其原因之一是，深度学习在语音识别、图像识别、自然语言理解等行业取得了巨大的突破并得到广泛应用，但需要大量的计算力，功耗也很高。

我们希望智能驾驶车的驾驶水平像司机，但现在显然达不到。 因为新闻缺乏智能评价和分解，耗电量也非常高。 清华大学微纳电子系教授吴华强告诉科技日报记者，人工智能算法培训中心在执行任务时一动不动，消耗数万瓦至数十万瓦，而人脑耗电量仅为20瓦左右。

北京大学计算机科学技术系教授黄铁军也举了生动的例子:市场上应用深度学习技术的智能无人机已经非常灵巧，但从智能程度来看，与苍蝇和蜻蜓有相当大的不同，但体积和功耗却比后者高得多。

追求模拟大脑的功能

大脑一样的计算是什么，要得到学术界和产业界的宠爱又是什么？

类脑计算在结构上设计类似生物神经互联网的系统，在功能上追求模拟脑的功能，在性能上追求大幅超过生物脑，也被称为神经形态计算。 黄铁军在接受科技日报记者采访时说。

大脑的计算试图模拟生物神经互联网的结构和新闻加工过程。 软件层面的尝试之一是脉冲神经互联网( snn )。

目前的深度学习通常通过卷积神经互联网( cnn )或递归神经互联网( rnn )来实现。 cnn和rnn都是人工神经网络，其中的人工神经元，至今仍采用20世纪40年代的模型。 黄铁军表示，目前设计的人工神经互联网越来越大，越来越多越复杂的东西，但基本上神经元模型没有什么改善。

另一方面，在深度学习人工神经互联网中，神经元之间的连接被称为权重。 这些是人工神经网络的重要因素。

在脉冲神经网络中，神经元之间是神经脉冲，新闻的表达和解决是通过神经脉冲发送实现的。 就像我们的大脑一样，有很多神经脉冲在传播和流动。

黄铁军告诉记者，由于神经脉冲不断传播和流动，脉冲神经元网络在表达和解决新闻时，比深度学习的时间性更突出，更适合高效的时空新闻解决。

宣传的应用可能不太长

有些人在硬件层面(如神经形态芯片)实现大脑计算。

年7月，英特尔宣布神经形态研究芯片loihi执行专用任务的速度比普通cpu快1000倍，效率高10000倍。

在新闻编码、传输、解决方面，我们希望从大脑机制中得到启发，将这些想法应用于芯片技术，使芯片的解决速度更快，水平更高，功耗更低。 吴华强也在进行神经形态芯片相关的研究，他告诉科技日报记者。

吴华强介绍说，在以前流传下来的冯·诺依曼框架中，新闻的解决和记忆是分离的，人脑在解决新闻时，记忆和解决是一体化的。

因此，我们正在尝试开发集成化的芯片，希望通过避免不断向芯片内部输送数据，来大幅提高芯片的性能比。 吴华强表示，他的团队目前也在开发一体化的样品芯片。

关于类脑计算的进展，黄铁军告诉记者，目前类脑计算还处于摸索阶段，缺乏典型的成功应用。 但是，商业企业正在嗅到味道，相关技术的规模应用可能不需要太长时间。

目前的神经形态计算还很初步，其快速发展水平与目前的主流人工智能算法相比还有一定的差距。 中科院自动化所研究员张兆翔在接受科技日报记者采访时认为，作为一种新的探索方法，还应继续多次重复。 因为它可能是未来人工智能技术快速发展的重要突破口。 (刘园园)