“人工智能继续迭代 类脑计算悄然走红”

本篇文章1747字，读完约4分钟

深度学习在各地开花，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。 大脑系统计算已悄然成为备受瞩目的“种子选手”之一。

12月16日至17日，北京未来芯片技术高精尖创新中心与清华大学微电子研究所联合主办的“北京高精尖论坛暨2019未来芯片论坛”在清华大学举行。 在这次论坛上，类脑计算成为众多权威专家火热的人工智能研究方向。

人工智能浪潮下的洋流

(/h/)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，重音、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

如果说当前人工智能快速发展的浪潮汹涌澎湃，那么大脑系统计算就是波浪下的洋流。 虽然很少被观察到，但将来有可能改变人工智能的迅速发展趋势。

的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很大的突破，得到了广泛的应用，但有很多计算力的支撑，功耗也很高。

“我们希望智能驾驶车的驾驶水平像司机一样，但现在显然还没有达到。 因为新闻的智能评价和分解不充分，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很快会消耗数万瓦到数十万瓦的电力，而人脑的能耗仅为20瓦左右。

北京大学计算机科学技术科的黄铁军教授也举了生动的例子: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，与苍蝇和蜻蜓相差甚远，但体积和功耗却比后者高得多。

追求模拟大脑的功能

(/h ) ) )什么是大脑计算，以及用什么赢得学术界和产业界的宠爱？

(/h ) )“脑系统计算在结构上追求和设计生物神经互联网这样的系统，在功能上追求模拟大脑的功能，追求大幅超过生物大脑的性能。 也称为神经形态计算。 ’黄铁军在接受科技日报记者采访时说。

系统大脑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，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都属于人工神经互联网，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，越来越复杂，但从根本上来说，神经元模型并没有得到多大改善。

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。 那些是人工神经互联网的重要因素。

而在脉冲神经互联网中，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来实现的。 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转，脉冲神经网络在表达和解决新闻时，时间性比深度学习更突出，效率更高空

宣传APP可能不会太长

也有人在硬件层面实现脑系统计算，如神经形态芯片等。

2019年7月，英特尔宣布，其神经形态研究芯片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提示，将这些想法应用于芯片技术，从而更快地解决芯片的速度、水平、功耗。 ”吴华强也在进行神经形态芯片相关研究，他告诉科技日报记者。

吴华强介绍说，在以前流传的冯·诺依曼体系结构中，新闻的解决和保存是分开的，但人脑在解决新闻时，是将保存和解决一体化的。

“所以，为了不在芯片内部不断输送数据，从而大幅提高芯片的能效，我们尝试开发了存储器一体型的芯片。 ’吴华强说，他的团队目前也在开发一体化的样品芯片。

(/h ) )关于脑系统计算的进展，黄铁军告诉记者，目前脑系统计算还处于摸索阶段，典型的成功应用不足。 但是，商业企业已经闻到了味道，相关技术获得规模应用可能不需要太长的时间。

“目前的神经形态计算还很初步，其快速发展水平与目前主流的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表示，作为一种新的探索方法，它可能是未来人工智能技术快速发展的重要突破口，因此应该多次坚持。

(责任:王将(/h/)

来源：企业信息港