除了會(huì)看會(huì)聽(tīng)，還會(huì)“聞”。近日，一直致力于模仿人類五感的人工智能又有新突破，通過(guò)神經(jīng)擬態(tài)芯片，人工智能已經(jīng)掌握了丙酮、氨和甲烷等10種氣味的神經(jīng)表征，強(qiáng)烈的環(huán)境干擾也不會(huì)影響它對(duì)氣味的準(zhǔn)確識(shí)別。這項(xiàng)由英特爾研究院與美國(guó)康奈爾大學(xué)共同參與的研究成果，日前發(fā)表于《自然·機(jī)器智能》雜志上。

神經(jīng)擬態(tài)即通過(guò)模擬人腦神經(jīng)元的工作機(jī)制，讓計(jì)算機(jī)具備像人一樣的自然智能特性。英特爾公布的另一項(xiàng)研究顯示，將上述768塊神經(jīng)擬態(tài)芯片集成在5臺(tái)標(biāo)準(zhǔn)服務(wù)器大小的機(jī)箱中形成的神經(jīng)擬態(tài)系統(tǒng)——Pohoiki Springs，已經(jīng)相當(dāng)于擁有了1億個(gè)神經(jīng)元的大腦，而這相當(dāng)于一個(gè)小型哺乳動(dòng)物的大腦神經(jīng)元數(shù)量。

通過(guò)堆疊芯片形成的神經(jīng)擬態(tài)系統(tǒng)似乎讓我們看到了“機(jī)器可以和人一樣聰明”的希望，那神經(jīng)擬態(tài)芯片及大規(guī)模集成系統(tǒng)的就緒，是否意味著“強(qiáng)認(rèn)知、小樣本學(xué)習(xí)”的神經(jīng)擬態(tài)計(jì)算有了規(guī)模商用的可能？

神經(jīng)擬態(tài)訓(xùn)練無(wú)需大量樣本

目前深度學(xué)習(xí)算法作為實(shí)現(xiàn)人工智能的重要技術(shù)手段，被廣泛應(yīng)用于各類人工智能成果中。對(duì)于以深度學(xué)習(xí)算法為支撐的人工智能成果，數(shù)據(jù)可以說(shuō)是研究的血液。數(shù)據(jù)量越大，數(shù)據(jù)質(zhì)量越高，深度學(xué)習(xí)所表現(xiàn)的性能也就越好。但在不少研究環(huán)境中，由于涉及隱私安全以及客觀條件限制，有效數(shù)據(jù)難以獲得。

“深度學(xué)習(xí)雖然取得了長(zhǎng)足進(jìn)步，但仍局限在圖像和語(yǔ)音等方面的分類和識(shí)別中。”英特爾中國(guó)研究院院長(zhǎng)宋繼強(qiáng)說(shuō)，人類視覺(jué)、語(yǔ)音兩類數(shù)據(jù)容易獲得和標(biāo)注，滿足了深度學(xué)習(xí)的必要條件，研究及應(yīng)用相對(duì)成熟，但味覺(jué)和嗅覺(jué)的研究卻沒(méi)那么樂(lè)觀。

對(duì)于傳統(tǒng)的人工智能來(lái)說(shuō)，主流的深度學(xué)習(xí)方法，可能需要設(shè)置上億個(gè)參數(shù)，訓(xùn)練數(shù)十萬(wàn)次，才能辨別出貓和狗的區(qū)別，更不用說(shuō)更為陌生的氣味識(shí)別領(lǐng)域。但是，即便對(duì)于一個(gè)幾歲的嬰孩來(lái)說(shuō)，他們辨認(rèn)動(dòng)物、識(shí)別氣味只需要幾次就夠了。

普通人經(jīng)過(guò)訓(xùn)練能區(qū)分三四百種到數(shù)千種氣味，但現(xiàn)實(shí)世界可以區(qū)分的氣味超過(guò)萬(wàn)種。為模擬人類嗅到氣味的大腦運(yùn)行機(jī)制，研究人員采用了一套源自人類大腦嗅覺(jué)回路結(jié)構(gòu)和動(dòng)力學(xué)相結(jié)合的神經(jīng)算法訓(xùn)練神經(jīng)擬態(tài)芯片，僅需單一樣本，神經(jīng)擬態(tài)芯片便可學(xué)會(huì)識(shí)別10種氣味，且不會(huì)破壞它對(duì)已學(xué)氣味的記憶。

宋繼強(qiáng)表示，即便是此前最先進(jìn)的深度學(xué)習(xí)解決方案，要達(dá)到與神經(jīng)擬態(tài)芯片相同的分類準(zhǔn)確率，也需要3000倍以上的訓(xùn)練樣本。

“理解大腦的神經(jīng)網(wǎng)絡(luò)如何解決這些復(fù)雜的計(jì)算問(wèn)題，將為設(shè)計(jì)高效、強(qiáng)大的機(jī)器智能提供重要啟示?！庇⑻貭柹窠?jīng)擬態(tài)計(jì)算實(shí)驗(yàn)室高級(jí)研究科學(xué)家納比爾·伊瑪目說(shuō)，下一步計(jì)劃將這種方法推進(jìn)到更廣的應(yīng)用領(lǐng)域，包括從感官場(chǎng)景分析到規(guī)劃和決策等抽象問(wèn)題。

芯片向人腦進(jìn)化成為可能

一只瓢蟲(chóng)的大腦有25萬(wàn)個(gè)到50萬(wàn)個(gè)神經(jīng)元，蟑螂的大腦有100萬(wàn)個(gè)神經(jīng)元，斑馬魚(yú)的大腦有1000萬(wàn)個(gè)神經(jīng)元，小型哺乳動(dòng)物大腦有1億個(gè)神經(jīng)元。

自然界中，即使最小的生物也能解決極為復(fù)雜的計(jì)算問(wèn)題，很多昆蟲(chóng)大腦的神經(jīng)元數(shù)目遠(yuǎn)低于100萬(wàn)個(gè)，卻能實(shí)時(shí)跟蹤物體、導(dǎo)航和躲避障礙物。而人類大腦由860億個(gè)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(gè)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(wàn)個(gè)神經(jīng)元，相當(dāng)于擁有了一只瓢蟲(chóng)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(cāng)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(shí)現(xiàn)神經(jīng)擬態(tài)計(jì)算，首先需要構(gòu)建一個(gè)模擬大腦神經(jīng)元工作的計(jì)算芯片。宋繼強(qiáng)說(shuō)：“我們?cè)噲D觀察、學(xué)習(xí)和理解大腦的運(yùn)行，并在計(jì)算機(jī)芯片上復(fù)制?！?/p>

德國(guó)海德堡大學(xué)物理學(xué)家卡爾海因茨·邁耶是神經(jīng)擬態(tài)學(xué)工程師們的領(lǐng)軍人物，在他看來(lái)，人類大腦具有低功耗、容錯(cuò)及無(wú)需編程三大特點(diǎn)，雖然人類大腦功率只有20瓦特左右，并且時(shí)刻都在失去神經(jīng)元，卻不影響它對(duì)這個(gè)世界的運(yùn)算、理解和應(yīng)對(duì)。相比之下，試圖模擬人腦的超級(jí)計(jì)算機(jī)卻必須預(yù)設(shè)算法，動(dòng)輒需要幾百萬(wàn)瓦特的功率，失去一個(gè)晶體管就能破壞一個(gè)微處理器。

宋繼強(qiáng)說(shuō)：“深度學(xué)習(xí)的功率越來(lái)越高，現(xiàn)在即便訓(xùn)練一個(gè)圖像識(shí)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?！?/p>

而擁有存儲(chǔ)和計(jì)算一體結(jié)構(gòu)的神經(jīng)擬態(tài)芯片，節(jié)約了傳統(tǒng)計(jì)算架構(gòu)中處理單元和存儲(chǔ)器間通信所消耗的時(shí)間和功耗。

2017年，全球首款自主學(xué)習(xí)神經(jīng)擬態(tài)芯片問(wèn)世，包含13萬(wàn)個(gè)神經(jīng)元和1.28億個(gè)突觸，使芯片向人腦進(jìn)化成為可能。

如果說(shuō)深度學(xué)習(xí)是通過(guò)大量標(biāo)注數(shù)據(jù)讓機(jī)器學(xué)習(xí)解決某一問(wèn)題，如AlphaGO沒(méi)有學(xué)習(xí)象棋前，只會(huì)下圍棋，神經(jīng)擬態(tài)計(jì)算就是通過(guò)模擬人腦神經(jīng)元工作機(jī)制，讓人工智能不只局限于某一領(lǐng)域。

在神經(jīng)擬態(tài)芯片展示的學(xué)會(huì)的各種能力中，不僅包括實(shí)時(shí)識(shí)別手勢(shì)、使用新型人造皮膚閱讀盲文、還包括通過(guò)自主學(xué)習(xí)獲得視覺(jué)地標(biāo)確定方向及學(xué)習(xí)新氣味，而上述每項(xiàng)功能只消耗數(shù)十毫瓦。

有專家認(rèn)為，這一突破為科學(xué)研究需要的可自主、互聯(lián)的實(shí)時(shí)、動(dòng)態(tài)數(shù)據(jù)處理新方法奠定了基礎(chǔ)，擴(kuò)展了蓬勃興起的邊緣計(jì)算應(yīng)用前景。

要商用還需通用計(jì)算架構(gòu)

在深度學(xué)習(xí)、機(jī)器學(xué)習(xí)之后，神經(jīng)擬態(tài)計(jì)算被認(rèn)為是推動(dòng)人工智能進(jìn)入新階段的重要手段。雖然量子計(jì)算也擅長(zhǎng)大規(guī)模計(jì)算，在某些任務(wù)中，它的理論可擴(kuò)展性甚至超過(guò)神經(jīng)擬態(tài)系統(tǒng)，但相比神經(jīng)擬態(tài)計(jì)算，量子計(jì)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(jì)算更近一步，部分研究機(jī)構(gòu)已展示了很多神經(jīng)擬態(tài)計(jì)算應(yīng)用，但要大規(guī)模商用，還需要解決通用性不足的問(wèn)題。

“距離將產(chǎn)品推向市場(chǎng)，我們還要等待數(shù)年?！庇⑻貭柹窠?jīng)擬態(tài)計(jì)算實(shí)驗(yàn)室主任邁克·戴維斯說(shuō)，我們真正感興趣的是找到一種像馮·諾依曼架構(gòu)那樣相對(duì)通用的新型計(jì)算架構(gòu)。這才是真正擴(kuò)展可應(yīng)用通用計(jì)算產(chǎn)品組合的開(kāi)始。

研究機(jī)構(gòu)Gartner預(yù)測(cè)，2025年，神經(jīng)擬態(tài)芯片有望取代GPU，成為先進(jìn)人工智能部署的主要計(jì)算架構(gòu)。

宋繼強(qiáng)不完全認(rèn)同這種說(shuō)法：“機(jī)器學(xué)習(xí)在很多領(lǐng)域依然是目前最好的訓(xùn)練、學(xué)習(xí)手段之一。只有將多種技術(shù)靈活的運(yùn)用到人工智能領(lǐng)域，它才能真正成為惠及民生的產(chǎn)業(yè)。”

宋繼強(qiáng)強(qiáng)調(diào)，Pohoiki Springs等神經(jīng)擬態(tài)系統(tǒng)仍處于研究階段，設(shè)計(jì)目的并非取代傳統(tǒng)的計(jì)算系統(tǒng)，而是為研究人員提供工具來(lái)開(kāi)發(fā)和描繪新的算法。