超算难胜大脑，何不依照神经结构打造芯片？

超算难胜大脑，何不依照神经结构打造芯片？

伴随着第四次工业革命的到来，人工智能和机器学习成了半导体行业热捧的技术。从训练和推理的角度来看，这些技术用到的数据量已经足够庞大，但AI芯片依然很难做到像大脑一样思考。

以目前世界排名第二的超算IBM Summit为例，其运算速率已达200 PFLOPS，但大脑的运算性能仍然是它的5倍。研究人员开始反思为何不仿制一个大脑结构的芯片，依照人体神经元网络结构打造的神经形态芯片也因此出炉。

大脑中的神经元可以通过无数个突触实现互通，从而快速处理大脑信息，进行记忆、推理和计算。基于冯诺依曼结构的AI芯片依然需要在多个部件之间进行信息传输，造成处理速度瓶颈，这也是为何近年来业内仍在发展互联技术的原因。

而神经形态芯片基于人脑的架构，采用了脉冲神经网络（SNN），不仅显著提升了处理速度，更是可以同步进行多项操作，同时进行数据输入和输出，且功耗与当前的AI芯片相比大大降低。

嗅觉识别

2017年11月，英特尔发布了自己的神经形态芯片Loihi。这一60mm²大小的芯片基于14nm工艺制造，采用了128个“神经核”的设计，囊括了13万神经元。英特尔称其设计基于专为SNN算法优化的架构，每个神经元都可以数千个神经元相互通信。Loihi支持的SNN运算，不需要在传统的卷积神经网络下进行训练。

Loihi芯片 / Intel

去年3月17日，英特尔研究院和美国康奈尔大学研究人员联合发表了一篇论文，展示了一种基于哺乳动物嗅觉系统的神经算法，即便存在明显干扰和遮盖的情况下，英特尔的神经形态芯片Loihi依然可以学习和识别危险甲苯和一氧化碳等化学品。此外，由于神经形态芯片的优势，Loihi仅需单一样本就可以识别气味，不像过去的深度学习一样需要大量的训练样本。

在与不少学术机构合作的过程中，研究人员同样发现Loihi具备超低功耗的特性。在运行一个实时深度学习测试中，Loihi的功耗要比一片GPU低109倍，与专用的IoT推理硬件相比低5倍。更棒的是，即便将深度学习网络的规模扩展50倍，Loihi不仅能够保持同样的实时性能表现，其功耗占用也只有30%而已，而IoT硬件的功耗已经高至6倍，且无法再满足实时处理了。

视觉识别

今年1月，澳大利亚斯威本大学、电子科大和中国科学院联合发表了一篇论文，该团队声称打造出了性能最强大的光学神经形态处理器。领导这项研究工作的David Moss教授声称，该芯片基于光微梳打造，可以实现10 TOPS的运算性能。

该芯片可以生成25万像素的图像卷积，对于人脸识别之类的应用已经绰绰有余。在测试中，他们在该芯片上用10个输出神经元依次组成一个光学卷积神经网络，在识别手写数字图像上准确率可达88%。同样的方法也可以扩展到更复杂的网络上，比如用于自动驾驶和实时视频识别等等。

TrueNorth芯片 / IBM
同样在用神经形态技术进行视觉识别的还有IBM，其TrueNorth芯片包含了100万个神经元和2.56亿个突触。这个4096个内核的芯片基于三星的28nm工艺制造，支持多对象检测和分类，正常工作情况下的功耗却只有60至70mW。

视觉传感器也开始应用神经形态技术，以Prophesee为例，这家公司基于自己神经形态技术，在去年与索尼联合发布了基于事件的工业级视觉传感器。该公司也在今年7月获得了创新工场、小米和韦豪创芯的投资。

结语

从以上案例可以看出，神经形态芯片和人脑结构一样，在处理庞大的多样化数据上上有着不小的优势。而传统AI和机器学习场景中，许多都需要需要大数据支持而且无法完成直接替代，这些应用往往也与人类感知器官相关。

除了嗅觉和视觉外，也有像荷兰初创公司Innatera这样专注于音频和健康的神经形态芯片公司。可以说神经形态芯片在发挥传感应用的全部性能上，具备着现有AI芯片难以媲美的优势。

不过这项技术在硬件和软件上尚未成熟，目前大型的神经形态芯片还没有出现，而且已有的一些算法也很可能难以兼容。凭借其低功耗和小体积的优势，神经形态芯片最对口的使用场景也许还是移动设备和AIoT。