神經(jīng)擬態(tài)芯片掌握多種氣味神經(jīng)表征

除了會看會聽，還會“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，強烈的環(huán)境干擾也不會影響它對氣味的準(zhǔn)確識別。這項由英特爾研究院與美國康奈爾大學(xué)共同參與的研究成果，日前發(fā)表于《自然·機器智能》雜志上。

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

通過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“強認(rèn)知、小樣本學(xué)習(xí)”的神經(jīng)擬態(tài)計算有了規(guī)模商用的可能？

神經(jīng)擬態(tài)訓(xùn)練無需大量樣本

目前深度學(xué)習(xí)算法作為實現(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)雖然取得了長足進(jìn)步，但仍局限在圖像和語音等方面的分類和識別中?！庇⑻貭栔袊芯吭涸洪L宋繼強說，人類視覺、語音兩類數(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)用相對成熟，但味覺和嗅覺的研究卻沒那么樂觀。

對于傳統(tǒng)的人工智能來說，主流的深度學(xué)習(xí)方法，可能需要設(shè)置上億個參數(shù)，訓(xùn)練數(shù)十萬次，才能辨別出貓和狗的區(qū)別，更不用說更為陌生的氣味識別領(lǐng)域。但是，即便對于一個幾歲的嬰孩來說，他們辨認(rèn)動物、識別氣味只需要幾次就夠了。

普通人經(jīng)過訓(xùn)練能區(qū)分三四百種到數(shù)千種氣味，但現(xiàn)實世界可以區(qū)分的氣味超過萬種。為模擬人類嗅到氣味的大腦運行機制，研究人員采用了一套源自人類大腦嗅覺回路結(jié)構(gòu)和動力學(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)會識別10種氣味，且不會破壞它對已學(xué)氣味的記憶。

宋繼強表示，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)雜的計算問題，將為設(shè)計高效、強大的機器智能提供重要啟示?！庇⑻貭柹窠?jīng)擬態(tài)計算實驗室高級研究科學(xué)家納比爾·伊瑪目說，下一步計劃將這種方法推進(jìn)到更廣的應(yīng)用領(lǐng)域，包括從感官場景分析到規(guī)劃和決策等抽象問題。

芯片向人腦進(jìn)化成為可能

一只瓢蟲的大腦有25萬個到50萬個神經(jīng)元，蟑螂的大腦有100萬個神經(jīng)元，斑馬魚的大腦有1000萬個神經(jīng)元，小型哺乳動物大腦有1億個神經(jīng)元。

自然界中，即使最小的生物也能解決極為復(fù)雜的計算問題，很多昆蟲大腦的神經(jīng)元數(shù)目遠(yuǎn)低于100萬個，卻能實時跟蹤物體、導(dǎo)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(dāng)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(gòu)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(xué)習(xí)和理解大腦的運行，并在計算機芯片上復(fù)制。”

德國海德堡大學(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，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(yīng)對。相比之下，試圖模擬人腦的超級計算機卻必須預(yù)設(shè)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(xué)習(xí)的功率越來越高，現(xiàn)在即便訓(xùn)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?！?/p>

而擁有存儲和計算一體結(jié)構(gòu)的神經(jīng)擬態(tài)芯片，節(jié)約了傳統(tǒng)計算架構(gòu)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(xué)習(xí)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(jìn)化成為可能。

如果說深度學(xué)習(xí)是通過大量標(biāo)注數(shù)據(jù)讓機器學(xué)習(xí)解決某一問題，如AlphaGO沒有學(xué)習(xí)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(lǐng)域。

在神經(jīng)擬態(tài)芯片展示的學(xué)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(xué)習(xí)獲得視覺地標(biāo)確定方向及學(xué)習(xí)新氣味，而上述每項功能只消耗數(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)的實時、動態(tài)數(shù)據(jù)處理新方法奠定了基礎(chǔ)，擴展了蓬勃興起的邊緣計算應(yīng)用前景。

要商用還需通用計算架構(gòu)

在深度學(xué)習(xí)、機器學(xué)習(xí)之后，神經(jīng)擬態(tài)計算被認(rèn)為是推動人工智能進(jìn)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(wù)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(gòu)已展示了很多神經(jīng)擬態(tài)計算應(yīng)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?！庇⑻貭柹窠?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(gòu)那樣相對通用的新型計算架構(gòu)。這才是真正擴展可應(yīng)用通用計算產(chǎn)品組合的開始。

研究機構(gòu)Gartner預(yù)測，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算架構(gòu)。

宋繼強不完全認(rèn)同這種說法：“機器學(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)。”

宋繼強強調(diào)，Pohoiki Springs等神經(jīng)擬態(tài)系統(tǒng)仍處于研究階段，設(shè)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。