當蘋果首席執(zhí)行官蒂姆庫克推出 iPhone X 時，他聲稱它將“為未來十年的技術(shù)鋪平道路”。雖然現(xiàn)在下結(jié)論還為時過早，但用于人臉識別的神經(jīng)引擎是同類產(chǎn)品中的第一個。如今，深度神經(jīng)網(wǎng)絡已成為現(xiàn)實，神經(jīng)形態(tài)似乎是在人工智能領(lǐng)域取得持續(xù)進步的唯一實用途徑。

Yole Développement（法國里昂）最近發(fā)表的一份報告稱，面對數(shù)據(jù)帶寬限制和不斷增長的計算需求，傳感和計算必須通過模仿神經(jīng)生物學架構(gòu)來重塑自我。

Yole 成像首席分析師 Pierre Cambou在接受EE Times采訪時解釋說，神經(jīng)形態(tài)傳感和計算可以解決人工智能當前的大部分問題，同時在未來幾十年開辟新的應用前景。“神經(jīng)形態(tài)工程是仿生學的下一步，推動了人工智能的發(fā)展。”

為什么現(xiàn)在？

距離數(shù)學家艾倫·圖靈提出“機器能思考嗎？”這個問題已經(jīng)過去了 70 年，距離加州理工學院的電氣工程師卡弗·米德 (Carver Mead) 提出神經(jīng)形態(tài)工程的概念已經(jīng)過去了 30 年。然而，在接下來的十年中，研究人員在制造具有類腦學習和適應能力的機器方面幾乎沒有取得實際成功。當 2006 年喬治亞理工學院展示其現(xiàn)場可編程神經(jīng)陣列時，希望重新燃起，麻省理工學院的研究人員在 2011 年推出了一種模擬大腦神經(jīng)元如何適應新信息的計算機芯片。

轉(zhuǎn)折點是多倫多大學的一組科學家發(fā)表了論文“ImageNet Classification with Deep Convolutional Neural Networks”。AlexNet 架構(gòu)由一個 8 層卷積神經(jīng)網(wǎng)絡組成，可以將 ImageNet 競賽中的 120 萬張高分辨率圖像分類為 1000 個類別之一（例如貓、狗）?！爸挥须S著 AlexNet 的發(fā)展，深度學習方法被證明更強大，并開始在人工智能領(lǐng)域獲得動力。”

皮埃爾·坎布

當前大多數(shù)深度學習實現(xiàn)技術(shù)都依賴于摩爾定律，并且“效果很好”。但是，隨著深度學習的發(fā)展，對能夠執(zhí)行高計算任務的芯片的需求將越來越多。摩爾定律最近一直在放緩，并導致包括 Yole Développement 在內(nèi)的許多業(yè)內(nèi)人士相信它無法維持深度學習的進步。Cambou 是相信深度學習如果繼續(xù)以今天的方式實施“將會失敗”的人之一。

為了解釋他的觀點，Cambou 列舉了三個主要障礙。首先是摩爾定律的經(jīng)濟學?！昂苌儆型婕夷軌蛲?，我們最終將在世界上擁有一兩家超過 7nm 的晶圓廠。我們認為，只有谷歌才能做某事，這對創(chuàng)新是不利的。”

其次，數(shù)據(jù)負載的增長速度超過了摩爾定律，數(shù)據(jù)溢出使當前的存儲技術(shù)成為限制因素。第三，計算能力需求的指數(shù)級增長為每個應用程序創(chuàng)建了一個熱墻?！笆褂?7nm 芯片，我們的效率大約為每瓦 1 teraflop。要為 Waymo 供電，我們可能需要 1 千瓦，這意味著我們需要 1000 teraflops，”Cambou 說。當前的技術(shù)范式無法兌現(xiàn)承諾，解決方案可能是在神經(jīng)形態(tài)硬件上應用深度學習并利用更好的能源效率。

從更廣泛的角度審視當前情況，Cambou 表示現(xiàn)在是采用顛覆性方法的時候了，該方法利用新興內(nèi)存技術(shù)帶來的好處并提高數(shù)據(jù)帶寬和功率效率。這就是神經(jīng)形態(tài)方法?！叭斯ぶ悄艿墓适聦⒗^續(xù)向前發(fā)展，我們相信下一步將朝著神經(jīng)形態(tài)方向發(fā)展?！?/p>

近年來，人們在構(gòu)建神經(jīng)形態(tài)硬件方面做出了很多努力，這些硬件通過在硅中實現(xiàn)神經(jīng)元來傳達認知能力。對于 Cambou 來說，這是一條可行的道路，因為“神經(jīng)形態(tài)方法正在勾選所有正確的框”，并且可以提高效率。“硬件使神經(jīng)網(wǎng)絡和深度學習成為可能，我們相信它將推動神經(jīng)形態(tài)人工智能的下一步發(fā)展。然后我們可以再次夢想人工智能，夢想基于人工智能的應用程序?！?/p>

學分：耶爾

神經(jīng)元和突觸

神經(jīng)形態(tài)硬件正在走出研究實驗室，融合了傳感、計算和存儲領(lǐng)域的興趣和目標。正在組建合資企業(yè)，正在簽署戰(zhàn)略聯(lián)盟，并且正在啟動長達十年的研究計劃，例如歐盟的人腦計劃。

雖然預計 2024 年之前不會有重大業(yè)務，但在此之后的幾十年內(nèi)，機會的規(guī)模可能很大。根據(jù) Yole 的說法，如果所有技術(shù)問題在未來幾年內(nèi)得到解決，神經(jīng)形態(tài)計算市場可能會從 2024 年的 6900 萬美元增長到 2029 年的 50 億美元和 2034 年的 213 億美元。英特爾和 SK 海力士，以及 Brainchip、Nepes、Vicarious 和 General Vision 等初創(chuàng)公司。

神經(jīng)形態(tài)芯片不再是理論，而是事實。2017年，英特爾推出了其首款由13萬個神經(jīng)元組成的神經(jīng)形態(tài)研究芯片Loihi。7 月，Santa Clara 集團憑借其 800 萬個神經(jīng)元神經(jīng)形態(tài)系統(tǒng)（代號為 Pohoiki Beach）實現(xiàn)了一個新的里程碑，該系統(tǒng)由 64 個 Loihi 研究芯片組成。同樣，IBM 的 TrueNorth 類腦計算機芯片有 100 萬個神經(jīng)元和 2.56 億個突觸，Brainchip 的 Akida 神經(jīng)形態(tài)片上系統(tǒng)有 120 萬個神經(jīng)元和 100 億個突觸。

“提供硬件可以提高神經(jīng)元和突觸方面的標準，這是一場競賽。突觸可能比神經(jīng)元更重要，”Cambou 說。“在 Yole，我們看到前面兩步。首先，將基于當前方法構(gòu)建的應用程序，部分是異步的，部分來自馮諾依曼?！?很好的例子是 Brainchip 的 Akida 和 Intel 的 Loihi?！叭缓?，可能在未來 10 到 15 年內(nèi)，我們將在其之上獲得 RRAM [電阻隨機存取存儲器]。這將允許創(chuàng)建更多的突觸?！?/p>

神經(jīng)擬態(tài)計算的努力來自于美光、西部數(shù)據(jù)和 SK 海力士等內(nèi)存廠商，但許多人正在尋求更多的短期收入，最終可能不會成為神經(jīng)擬態(tài)研究的強者。“我們應該關(guān)注那些選擇神經(jīng)形態(tài)作為核心技術(shù)的小玩家，”Cambou 說。

Weebit、Robosensing、Knowm、Memry 和 Symetrix 等顛覆性內(nèi)存初創(chuàng)公司正在將非易失性內(nèi)存技術(shù)與神經(jīng)形態(tài)計算芯片設(shè)計相結(jié)合。它們與 Crossbar 和 Adesto 等純內(nèi)存初創(chuàng)公司一起出現(xiàn)，但他們的憶阻器（內(nèi)存電阻器）方法通常被認為比純計算公司的努力更長期?！霸S多記憶播放器正在研究 RRAM 和相變記憶來模仿突觸，”Cambou 說。此外，“MRAM [磁阻隨機存取存儲器] 是新興存儲器的一部分，它將幫助神經(jīng)形態(tài)方法取得成功。”

學分：耶爾

除了計算之外，還出現(xiàn)了神經(jīng)形態(tài)傳感生態(tài)系統(tǒng)，其根源起源于 1991 年神經(jīng)信息學研究所和蘇黎世聯(lián)邦理工學院的 Misha Mahowald 發(fā)明的硅神經(jīng)元。目前的競爭很低，全球只有不到 10 名參與者。其中，Prophesee、三星、Insightness、Inivation 和 Celepixel 正在提供即用型產(chǎn)品，例如基于事件的圖像傳感器和相機。電影攝影中使用的基于幀的方法無法捕捉運動。

“電影在欺騙我們的大腦，但我們無法欺騙計算機，”Cambou 說。“唯一正確的方法是提供與眼睛相同的信息。基于事件的相機對于任何類型的實時運動理解和模式理解都非常強大?！?更廣泛地說，聽覺、成像和行為傳感器“對我們所謂的通用智能的各個層面都有影響”。

在封裝半導體層面，Yole 表示，預計神經(jīng)形態(tài)傳感將從 2024 年的 4300 萬美元增長到 2029 年的 20 億美元和 2034 年的 47 億美元。

汽車，但不僅僅是

Cambou 說，汽車可能是最明顯的市場。然而，最初的市場是工業(yè)和移動市場，主要用于機器人和實時感知。

短期內(nèi)，神經(jīng)形態(tài)傳感和計算將用于工業(yè)機器的始終在線監(jiān)控。它還將在物流、食品自動化和農(nóng)業(yè)方面發(fā)揮重要作用。Cambou 說：“雖然深度學習需要大量數(shù)據(jù)集，但神經(jīng)形態(tài)學僅從幾張圖像或幾句話中就可以非?？焖俚貙W習并理解時間?！?/p>

在未來十年內(nèi)，混合內(nèi)存計算芯片的可用性應該會打開汽車市場，迫切地等待大眾市場的自動駕駛技術(shù)?！拔覀兩钤谝粋€交互的世界中，神經(jīng)形態(tài)在讓計算機理解非結(jié)構(gòu)化環(huán)境方面將非常強大?！?/p>