機器到底可以有多智能？在智能化的這條路上，我們已經(jīng)走過了漫長的幾十年，Siri和Alexa語音助手、圖像識別應用、甚至推薦引擎，其發(fā)展歷程告訴我們，前路漫漫，其修遠兮。人類已經(jīng)可以利用強大的計算機性能以及大量良好標記的數(shù)據(jù)來執(zhí)行醫(yī)療診斷這樣的深度學習任務(wù)，這是驚人的進步。

但是，我們還需要什么？

人類對AI的追求遠遠超越了數(shù)據(jù)科學的范疇。當健康出現(xiàn)異常時，我們希望可穿戴生物傳感器系統(tǒng)能夠立即發(fā)出警告；在最惡劣的駕駛條件下，我們希望自動駕駛汽車能夠?qū)崟r做出反應；我們還希望機器人能以最小的角度轉(zhuǎn)向。怎樣才能實現(xiàn)這些呢？

我們的移動設(shè)備現(xiàn)在看起來似乎勉強能夠理解我們，但實際上并不能。他們只是簡單地將我們的聲音轉(zhuǎn)換和解碼成文字，然后發(fā)出請求，進而轉(zhuǎn)化為動作或答案。這只是一個計算密集的過程。

2013年曾有一個預測：人們每天花3分鐘時間使用語音識別進行語音搜索，將使數(shù)據(jù)中心的計算需求增加一倍。利用傳統(tǒng)CPU實現(xiàn)該功能非常昂貴，因此，谷歌的Norman Jouppi和他的同事共同開發(fā)了張量處理器（TPU），該處理器重點優(yōu)化矩陣乘法硬件，有望將神經(jīng)網(wǎng)絡(luò)查詢的能效提高95％。

這些處理器在服務(wù)器應用中發(fā)揮了很大的作用，但由于這種方法是將所有內(nèi)存和處理集中在數(shù)據(jù)中心，因而對通信基礎(chǔ)架構(gòu)極其依賴，同時還需要進行信息交流，其中很多是無關(guān)信息，浪費了時間和能量。

隨著邊緣計算時代的來臨，如何才能滿足移動和非聯(lián)網(wǎng)獨立設(shè)備應用對速度、功率、面積和重量的要求呢？

選擇性復制生物學

機器智能所采用的神經(jīng)網(wǎng)絡(luò)是受生物學的啟發(fā)而建立起來的。因此，神經(jīng)擬態(tài)工程師盡量模仿同樣的生物機理，以便創(chuàng)建的硬件能夠更好地運行神經(jīng)網(wǎng)絡(luò)。這種方法為工程師們提供了多種選擇。

神經(jīng)擬態(tài)工程學的目標是從生物學中汲取盡可能多的教訓，以實現(xiàn)跟大腦一樣的低功耗和強大功能。在實現(xiàn)神經(jīng)處理、存儲和通信時，工程師的設(shè)計選擇

將決定人工大腦執(zhí)行任務(wù)的效率。

一種策略是不再將芯片架構(gòu)劃分為處理器和存儲器，而是將其分解為同時執(zhí)行兩種功能的神經(jīng)元。

其次，優(yōu)先選擇大型多對多神經(jīng)元連接方式，因為它使神經(jīng)元網(wǎng)絡(luò)的功能更強。采用能保持輸入信號（例如圖像）幾何信息的傳感器-處理器管道會有所幫助，因為它們在處理過程中允許相鄰神經(jīng)元進行有效的互動，如同人類的視網(wǎng)膜一樣。將信號值保持在模擬域中也有好處，這樣所有內(nèi)容都可以同時處理，而不用分解為不同比特位的復雜動作。

最后，將通信時間與神經(jīng)行為而非任意的時鐘關(guān)聯(lián)起來，這意味著信號本身包含更多的信息：那些同時到達的類腦尖峰信號通常與同一事件相關(guān)。

這就是為什么神經(jīng)擬態(tài)工程或計算這個術(shù)語有點難懂的原因。這個術(shù)語是加州理工學院教授Carver Mead于20世紀80年代后期創(chuàng)造的。在隨后的幾十年中，Mead及其他人的項目尤其重視模擬計算帶來的好處。例如在一個復制了一組蠅復眼運動檢測器電路的系統(tǒng)中，多個接收器檢測到模擬信號，然后通過近鄰互動傳播到側(cè)面。這種系統(tǒng)具有極高的速率和極低的功耗（90年代后期Reid Harrison證實其功率僅為幾微瓦），充分顯示出同時保持信號幾何信息和模擬處理能力的好處。

“純”神經(jīng)擬態(tài)系統(tǒng)的另一個特征是頻繁使用地址-事件表達（AER）。這種通信系統(tǒng)具有傳統(tǒng)網(wǎng)絡(luò)的許多優(yōu)點，同時還提供多對多通信，保持了尖峰時序。

使用AER，一個神經(jīng)元會根據(jù)其學習、行為和剛收到的輸入信息，在需要時隨時發(fā)出一個尖峰信號。它將信號傳輸給網(wǎng)絡(luò)中的所有其他神經(jīng)元，但只有應該接收尖峰信號的神經(jīng)元才可以接收，其他神經(jīng)元會忽略該信號。這種網(wǎng)絡(luò)之所以與眾不同，是因為兩個尖峰信號之間相隔時間較長，因此，只有差不多同時到達的來自不同神經(jīng)元的尖峰信號才被視為相關(guān)。

每個神經(jīng)元都使用尖峰進行交流，無需與成百上千的其他神經(jīng)元直接相連。地址-事件表達是保持尖峰時序的一種方法。只要出現(xiàn)尖峰的可能性足夠低，使同時到達編碼器的尖峰之間不存在競爭，這種方法就有效。

許多神經(jīng)擬態(tài)系統(tǒng)都使用AER，特別是法國的Prophesee公司和瑞士的aiCTX（AI cortex）公司，他們專注于研究感應處理。這種方法既靈巧又實用，其優(yōu)點在于神經(jīng)元之間不需要進行硬連接，輸入信號信息可以簡單地實時通過處理器，無關(guān)信息將被丟棄，剩下的信息將在神經(jīng)管道中進一步處理。

權(quán)衡利弊與取舍

雖然“典型的”神經(jīng)擬態(tài)技術(shù)極具吸引力，但也有一些缺點，比如，要提高功率和速度就很不容易。數(shù)字電子器件比模擬器件更耗電，因為數(shù)字器件在不停地糾錯：強行將信號變?yōu)?或0。使用模擬電路則不會出現(xiàn)這種情況，所以因溫度的變化、器件的不同以及其他因素引起的誤差和漂移不會消失。產(chǎn)生的結(jié)果可能不是錯誤，而是偏移或損壞了。

電子器件的制造過程也遠說不上完美，這讓事情變得更加糟糕。慶幸的是，電路是可以測試的，因此對于數(shù)字技術(shù)而言，問題沒那么嚴重。如果數(shù)字器件不能通過測試，可以將它們?nèi)拥簟?/p>

而在一個模擬系統(tǒng)中表現(xiàn)完美的一組神經(jīng)權(quán)重，在另一個系統(tǒng)中卻可能表現(xiàn)很糟。如果你想集中學習，然后將這一行為復制到許多不同的機器中，需要付出一定的代價——可能是可靠性降低，更可能是必須采用冗余設(shè)計來克服這些問題。

幸運的是，這一障礙并不是無法逾越的，但在我們研發(fā)憶阻器等新興技術(shù)時還是值得注意的。憶阻器這種精巧的器件是可以嵌入核心神經(jīng)電路的存儲器，因此可用于神經(jīng)網(wǎng)絡(luò)。其優(yōu)點是能使模擬神經(jīng)元變得更小，功耗更低。

另一種方法是，在遵循自然構(gòu)造（尤其是分布式）和相互連接的神經(jīng)元來實現(xiàn)結(jié)構(gòu)化設(shè)計時，可以最小化甚至取消模擬電路，根據(jù)實際需要決定神經(jīng)擬態(tài)的程度。

神經(jīng)擬態(tài)和非神經(jīng)擬態(tài)界線模糊，需要工程師根據(jù)具體的應用和成功的標準來進行權(quán)衡。如果重復性很重要而且無需考慮功率，則應選擇較少神經(jīng)擬態(tài)的方案。如果速度、功率、面積和重量是主要考量因素，而且更易接受模糊行為，則神經(jīng)擬態(tài)計算更加可行。

例如，IBM的TrueNorth雖然是數(shù)字器件，但功耗卻非常低，因為邏輯器件可以采用納米工藝來制造。而在如此小的尺寸下，很難實現(xiàn)模擬電路。

英特爾的Loihi芯片離模擬更近一步，因為它是異步的：每個神經(jīng)元都可以按自己的速率觸發(fā)。同步則是通過一組相鄰神經(jīng)元的交互產(chǎn)生的，只有在其他神經(jīng)元完成一個時間步長或時鐘驅(qū)動操作之后，同步過程才開始。

良性循環(huán)

到這里，模擬神經(jīng)擬態(tài)系統(tǒng)似乎走進了死胡同，但事實并非如此。Loihi和TrueNorth都是通用芯片，專用于通用的學習任務(wù)。

但生物學并不是通用的，而是根據(jù)具體的任務(wù)有針對性地優(yōu)化。短期之內(nèi)，速度、功率、面積和重量確實重要，工程師也想對其進行優(yōu)化。他們最終將選擇最高效的設(shè)計，哪怕芯片價格更高。

但如果某些神經(jīng)擬態(tài)計算的利基應用獲得成功（諸如關(guān)鍵詞檢測或感知處理），則可能形成投資、開發(fā)、創(chuàng)新和優(yōu)化的良性循環(huán)。最終可能會產(chǎn)生一個具有其自身摩爾定律的新興行業(yè)，一個與認知和智能任務(wù)的需求密切相關(guān)的行業(yè)。

因此，我們可以合理地推斷：神經(jīng)擬態(tài)處理器最終將克服我們在構(gòu)建復雜的智能機器的過程中所面臨的瓶頸。其目標包括能分析及識別對象和所處環(huán)境、并即時適應不同類型傳感數(shù)據(jù)的機器（類似于人腦）。

為了實現(xiàn)這一目標，需要更深入地了解生物過程，使神經(jīng)擬態(tài)計算成為現(xiàn)實。
責任編輯:pj