0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看技术视频
  • 写文章/发帖/加入社区
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

神经拟态芯片掌握多种气味神经表征

汽车玩家 来源:科技日报 作者:刘 艳 2020-04-08 16:45 次阅读

除了会看会听,还会“闻”。近日,一直致力于模仿人类五感的人工智能又有新突破,通过神经拟态芯片,人工智能已经掌握了丙酮、氨和甲烷等10种气味的神经表征,强烈的环境干扰也不会影响它对气味的准确识别。这项由英特尔研究院与美国康奈尔大学共同参与的研究成果,日前发表于《自然·机器智能》杂志上。

神经拟态即通过模拟人脑神经元的工作机制,让计算机具备像人一样的自然智能特性。英特尔公布的另一项研究显示,将上述768块神经拟态芯片集成在5台标准服务器大小的机箱中形成的神经拟态系统——Pohoiki Springs,已经相当于拥有了1亿个神经元的大脑,而这相当于一个小型哺乳动物的大脑神经元数量。

通过堆叠芯片形成的神经拟态系统似乎让我们看到了“机器可以和人一样聪明”的希望,那神经拟态芯片及大规模集成系统的就绪,是否意味着“强认知、小样本学习”的神经拟态计算有了规模商用的可能?

神经拟态训练无需大量样本

目前深度学习算法作为实现人工智能的重要技术手段,被广泛应用于各类人工智能成果中。对于以深度学习算法为支撑的人工智能成果,数据可以说是研究的血液。数据量越大,数据质量越高,深度学习所表现的性能也就越好。但在不少研究环境中,由于涉及隐私安全以及客观条件限制,有效数据难以获得。

“深度学习虽然取得了长足进步,但仍局限在图像和语音等方面的分类和识别中。”英特尔中国研究院院长宋继强说,人类视觉、语音两类数据容易获得和标注,满足了深度学习的必要条件,研究及应用相对成熟,但味觉和嗅觉的研究却没那么乐观。

对于传统的人工智能来说,主流的深度学习方法,可能需要设置上亿个参数,训练数十万次,才能辨别出猫和狗的区别,更不用说更为陌生的气味识别领域。但是,即便对于一个几岁的婴孩来说,他们辨认动物、识别气味只需要几次就够了。

普通人经过训练能区分三四百种到数千种气味,但现实世界可以区分的气味超过万种。为模拟人类嗅到气味的大脑运行机制,研究人员采用了一套源自人类大脑嗅觉回路结构和动力学相结合的神经算法训练神经拟态芯片,仅需单一样本,神经拟态芯片便可学会识别10种气味,且不会破坏它对已学气味的记忆。

宋继强表示,即便是此前最先进的深度学习解决方案,要达到与神经拟态芯片相同的分类准确率,也需要3000倍以上的训练样本。

“理解大脑的神经网络如何解决这些复杂的计算问题,将为设计高效、强大的机器智能提供重要启示。”英特尔神经拟态计算实验室高级研究科学家纳比尔·伊玛目说,下一步计划将这种方法推进到更广的应用领域,包括从感官场景分析到规划和决策等抽象问题。

芯片向人脑进化成为可能

一只瓢虫的大脑有25万个到50万个神经元,蟑螂的大脑有100万个神经元,斑马鱼的大脑有1000万个神经元,小型哺乳动物大脑有1亿个神经元。

自然界中,即使最小的生物也能解决极为复杂的计算问题,很多昆虫大脑的神经元数目远低于100万个,却能实时跟踪物体、导航和躲避障碍物。而人类大脑由860亿个互相连接的神经元组成,要让人工智能变得和人一样聪明谈何容易。

目前由两个上述神经拟态芯片组成的神经拟态系统有26.2万个神经元,相当于拥有了一只瓢虫的智慧,而由768块神经拟态芯片组成的神经拟态系统的智慧则追上了仓鼠。

如果神经元的组织方式决定了大脑的思考方式,那么实现神经拟态计算,首先需要构建一个模拟大脑神经元工作的计算芯片。宋继强说:“我们试图观察、学习和理解大脑的运行,并在计算机芯片上复制。”

德国海德堡大学物理学家卡尔海因茨·迈耶是神经拟态学工程师们的领军人物,在他看来,人类大脑具有低功耗、容错及无需编程三大特点,虽然人类大脑功率只有20瓦特左右,并且时刻都在失去神经元,却不影响它对这个世界的运算、理解和应对。相比之下,试图模拟人脑的超级计算机却必须预设算法,动辄需要几百万瓦特的功率,失去一个晶体管就能破坏一个微处理器

宋继强说:“深度学习的功率越来越高,现在即便训练一个图像识别模型,都需要数千瓦特,能源消耗已成为大规模AI部署的障碍。”

而拥有存储和计算一体结构的神经拟态芯片,节约了传统计算架构中处理单元和存储器间通信所消耗的时间和功耗。

2017年,全球首款自主学习神经拟态芯片问世,包含13万个神经元和1.28亿个突触,使芯片向人脑进化成为可能。

如果说深度学习是通过大量标注数据让机器学习解决某一问题,如AlphaGO没有学习象棋前,只会下围棋,神经拟态计算就是通过模拟人脑神经元工作机制,让人工智能不只局限于某一领域。

在神经拟态芯片展示的学会的各种能力中,不仅包括实时识别手势、使用新型人造皮肤阅读盲文、还包括通过自主学习获得视觉地标确定方向及学习新气味,而上述每项功能只消耗数十毫瓦。

有专家认为,这一突破为科学研究需要的可自主、互联的实时、动态数据处理新方法奠定了基础,扩展了蓬勃兴起的边缘计算应用前景。

要商用还需通用计算架构

在深度学习、机器学习之后,神经拟态计算被认为是推动人工智能进入新阶段的重要手段。虽然量子计算也擅长大规模计算,在某些任务中,它的理论可扩展性甚至超过神经拟态系统,但相比神经拟态计算,量子计算离真正商用还有不小的距离。

虽然看上去神经拟态芯片的商用比量子计算更近一步,部分研究机构已展示了很多神经拟态计算应用,但要大规模商用,还需要解决通用性不足的问题。

“距离将产品推向市场,我们还要等待数年。”英特尔神经拟态计算实验室主任迈克·戴维斯说,我们真正感兴趣的是找到一种像冯·诺依曼架构那样相对通用的新型计算架构。这才是真正扩展可应用通用计算产品组合的开始。

研究机构Gartner预测,2025年,神经拟态芯片有望取代GPU,成为先进人工智能部署的主要计算架构。

宋继强不完全认同这种说法:“机器学习在很多领域依然是目前最好的训练、学习手段之一。只有将多种技术灵活的运用到人工智能领域,它才能真正成为惠及民生的产业。”

宋继强强调,Pohoiki Springs等神经拟态系统仍处于研究阶段,设计目的并非取代传统的计算系统,而是为研究人员提供工具来开发和描绘新的算法。

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 芯片
    +关注

    关注

    445

    文章

    47476

    浏览量

    407877
  • 人工智能
    +关注

    关注

    1773

    文章

    43356

    浏览量

    230123
收藏 人收藏

    评论

    相关推荐

    卷积神经网络通俗理解

    学习(deeplearning)的代表算法之一 ,卷积神经网络具有表征学习(representation learning)能力,能够按其阶层结构对输入信息进行平移不变分类
    的头像 发表于 11-26 16:26 517次阅读

    基于几何分析的神经辐射场编辑方法

    神经辐射场作为近期一个广受关注的隐式表征方法,能合成照片级真实的多视角图像。但因为其隐式建模的性质,用户难以直观编辑神经辐射场建模对象的几何。面对这一问题,最新被IEEE TPAMI接收的论文
    的头像 发表于 11-20 16:56 228次阅读
    基于几何分析的<b class='flag-5'>神经</b>辐射场编辑方法

    基于神经科学的Numenta介绍

    人脑以高效著称,它以稀疏的表征方式存储和处理信息。在任何时刻,只有一小部分神经元处于活跃状态。
    的头像 发表于 09-21 09:10 548次阅读
    基于<b class='flag-5'>神经</b>科学的Numenta介绍

    不可错过!人工神经网络算法、PID算法、Python人工智能学习等资料包分享(附源代码)

    为了方便大家查找技术资料,电子发烧友小编为大家整理一些精华资料,让大家可以参考学习,希望对广大电子爱好者有所帮助。 1.人工神经网络算法的学习方法与应用实例(pdf彩版) 人工神经 网络
    发表于 09-13 16:41

    深度学习的神经网络架构解析

    感知器是所有神经网络中最基本的,也是更复杂的神经网络的基本组成部分。它只连接一个输入神经元和一个输出神经元。
    发表于 08-31 16:55 691次阅读
    深度学习的<b class='flag-5'>神经</b>网络架构解析

    人工神经网络和bp神经网络的区别

    人工神经网络和bp神经网络的区别  人工神经网络(Artificial Neural Network, ANN)是一种模仿人脑神经元网络结构和功能的计算模型,也被称为
    的头像 发表于 08-22 16:45 3058次阅读

    cnn卷积神经网络原理 cnn卷积神经网络的特点是什么

    cnn卷积神经网络原理 cnn卷积神经网络的特点是什么  卷积神经网络(Convolutional Neural Network,CNN)是一种特殊的神经网络结构,主要应用于图像处理和
    的头像 发表于 08-21 17:15 1039次阅读

    卷积神经网络和深度神经网络的优缺点 卷积神经网络和深度神经网络的区别

    深度神经网络是一种基于神经网络的机器学习算法,其主要特点是由多层神经元构成,可以根据数据自动调整神经元之间的权重,从而实现对大规模数据进行预测和分类。卷积
    发表于 08-21 17:07 1951次阅读

    卷积神经网络的介绍 什么是卷积神经网络算法

    卷积神经网络的介绍 什么是卷积神经网络算法 卷积神经网络涉及的关键技术 卷积神经网络(Convolutional Neural Network,CNN)是一种用于图像分类、物体识别、语
    的头像 发表于 08-21 16:49 1278次阅读

    卷积神经网络的基本原理 卷积神经网络发展 卷积神经网络三大特点

    卷积神经网络的基本原理 卷积神经网络发展历程 卷积神经网络三大特点  卷积神经网络的基本原理 卷积神经网络(Convolutional Ne
    的头像 发表于 08-21 16:49 1267次阅读

    卷积神经网络的应用 卷积神经网络通常用来处理什么

    卷积神经网络的应用 卷积神经网络通常用来处理什么 卷积神经网络(Convolutional Neural Network,简称CNN)是一种在神经网络领域内广泛应用的
    的头像 发表于 08-21 16:41 3561次阅读

    卷积神经网络原理:卷积神经网络模型和卷积神经网络算法

    卷积神经网络原理:卷积神经网络模型和卷积神经网络算法 卷积神经网络(Convolutional Neural Network,CNN)是一种基于深度学习的人工
    的头像 发表于 08-17 16:30 836次阅读

    什么是神经网络?为什么说神经网络很重要?神经网络如何工作?

    神经网络是一个具有相连节点层的计算模型,其分层结构与大脑中的神经元网络结构相似。神经网络可通过数据进行学习,因此,可训练其识别模式、对数据分类和预测未来事件。
    的头像 发表于 07-26 18:28 1666次阅读
    什么是<b class='flag-5'>神经</b>网络?为什么说<b class='flag-5'>神经</b>网络很重要?<b class='flag-5'>神经</b>网络如何工作?

    神经元 C 参考指南

    神经元 C 参考指南
    发表于 07-04 20:48 0次下载
    <b class='flag-5'>神经</b>元 C 参考指南

    三个最流行神经网络

    在本文中,我们将了解深度神经网络的基础知识和三个最流行神经网络:多层神经网络(MLP),卷积神经网络(CNN)和递归神经网络(RNN)。
    发表于 05-15 14:19 1105次阅读
    三个最流行<b class='flag-5'>神经</b>网络