神经拟态芯片将成为未来高级AI部署的主要计算架构

翻译自——nextplatform

英特尔最新的神经形态系统——Pohoiki Springs，该系统于2020年3月发布，它集成了768个Loihi神经形态研究芯片，其底盘大小相当于5台标准服务器。据悉，英特尔发布的这一款面向神经拟态计算的实验研究系统，是一种可模拟人脑工作方式的先进方法，仅用极少能量就能更快完成计算。

神经形态计算要成为系统的一部分还有很长的路要走。尽管一些用例显示了显著的前景，但将问题映射到架构仍然是一个不小的挑战。此外，像量子计算一样，大多主要的芯片和系统厂商都对探索技术可能性深感兴趣，英特尔也不例外。

由于可以用神经形态芯片解决的问题范围仍然有限，英特尔将重点放在了一个非常具体的用例上，以突出基于“Loihi”架构的64芯片系统的进步。它们使用一个叫做“Pohoiki Springs”的系统，它已经扩展到768个Loihi芯片(1亿个神经元)，把它安装在一个5U机架底座的英特尔处理器中，并展示了一个神经形态系统如何用一个小的训练样本，在一个只消耗300瓦功率的系统中如何精确的地识别气味。

神经拟态芯片将成为未来主要武器？

据技术研究公司Gartner预测，到2025年，神经拟态芯片将成为新的高级人工智能部署的主要计算架构。Gartner预计，到2025年，该技术有望取代图形处理器，成为用于AI系统（尤其是神经网络）的主要计算机芯片之一。神经网络用于语音识别和理解，以及计算机视觉领域。

通过神经拟态计算，只需使用在传统计算硬件上训练机器学习模型所需的一小部分数据，即可训练机器学习模型。英特尔神经拟态计算实验室主任Mike Davies表示：“这意味着模型的学习方式类似于人类婴儿的学习方式，只需看一眼图像或玩具，就能永远记住。”

“如此就[有可能]实现一些今天难以处理的计算”，因为这些计算需要消耗大量能量或耗用太多时间。Davies还表示，如果出现大范围停电的情况，神经拟态计算可以自动帮助识别某些最迫切需要电力的区域。神经拟态计算还可以帮助消费者更准确地找到与特定产品图片相似或匹配的物品。

Davies表示，Pohoiki Springs系统不同于传统机器，其内存和计算元件彼此交融，而不是相互独立。这样就能把数据传输的距离降至最低，因为在传统计算架构中，数据必须在内存和计算之间来回流动。

英特尔研究人员最近使用单个神经拟态研究芯片来训练AI系统识别有害气味，每个气味使用一个训练样本，而先进的深度学习方法则需要使用3000个样本，因此神经拟态计算所需的能量极低。

在实验中，机器学习模型能够检测出化学传感器中不同的气味，例如氨、丙酮和甲烷的气味，即使它们被不同的气味所掩盖。这些气味表明可能存在爆炸物和毒品。

Pohoiki Springs系统的机箱为五个标准服务器大小，内部有大约770个这样的神经拟态研究芯片。Davies表示，该系统拥有大约1亿个神经元的计算能力，大致相当于鼹鼠的大脑。

埃森哲技术研究院（Accenture Labs）首席研究科学家Edy Liongosari表示，神经拟态计算的其中一项主要优势包括，可以用更低能量执行基于AI的计算。

能耗会对大规模AI部署形成阻碍。麻省大学阿默斯特分校的研究人员称，开发一款AI模型，其碳足迹就相当于五辆普通美国汽车的终生排放量。

自2018年以来，埃森哲技术研究院就一直与英特尔的神经拟态计算研究人员合作，研究该技术能在哪些方面对联网设备（例如持续进行运动检测的安全摄像头）中使用的AI算法带来帮助。神经拟态芯片最终有可能嵌入摄像头中。“在某些用例中，能量弥足珍贵，”Liongosari先生表示。

这种摄像头会不断对大量数据进行分析，因此需要使用能量来识别入侵等异常情况。神经拟态计算可以为机器学习算法提供帮助，使用远少于传统算法的训练数据就能识别入侵。

Pohoiki Beach真的能够像人类大脑那般思考？

对于新研制的“Pohoiki Springs”是基于英特尔的“Nahuku”基板，每个板包含8到32个Loihi处理器，它是一个由2到8个板组成的64处理器系统(英特尔没有提供确切配置的细节，包括芯片和基板是如何联网的。同样的系统现在已经扩展到前面提到的768个芯片。

Loihi是2017年9月英特尔实验室推出的自学习神经形态芯片，基于14nm的制程工艺，管芯尺寸60毫米，包含超过20亿个晶体管、13万个人工神经元和1.3亿个突触。它作为多核网格的实现，到2020年将大幅增加，神经元数量将超过100万个。每个核心包含一个“学习引擎”，可以支持不同类型的人工智能模型，包括监督、非监督和强化学习等。根据Intel介绍，Loihi在处理稀疏编码、图形搜索和约束满足问题等应用程序方面比cpu快1000倍，效率高10000倍。该芯片已经通过云服务和Kapoho Bay平台(一个基于Loihi的USB形状因子设备)提供给英特尔神经形态研究社区(INRC)的研究人员。

与大脑一样，Loihi处理某些高要求的工作负载的速度比传统处理器快1000倍，效率高10000倍。Pohoiki Springs是扩展此架构的下一步计划，以评估其解决人工智能问题以及解决各种计算难题的潜力。英特尔研究人员认为，与当今最先进的传统计算机相比，神经形态系统的极端并行性和异步信令可能在大幅降低功率级别的情况下提供显著的性能提升。

据英特尔神经形态计算项目的负责人Mike Davies介绍，这些特殊的系统可以被医生用来嗅出疾病，比如在机场探测武器、药物、炸弹或危险化学品的制造地点。

虽然使用专门的神经形态体系结构和繁琐的编程套件来完成所有这些工作听起来有些牵强，但是神经网络也可以选择类似的模式(就像谷歌和其他人所展示的那样)，神经形态系统有一些传统的深度学习模型和机器无法触及的特性。能源效率和时间是两个最突出优势。

效率的提高来自于在神经形态系统上完全集成计算机和存储器。流指令和数据不需要通过单独的内存。所有东西都集成到一个分布式的计算和内存结构中。Davies解释，这一切都归结于不对称特性。“想让系统进行通信是一个能量消耗问题。如果你没有发送任何0二进制值就意味着不使用能源。以这种时间方式发送信息，在某个时间点发送编码是一种发送信息的方式，你可以用这些代码来计算，这样你就可以选择“0”状态。“问题是，要达到那种状态，需要重新思考算法。这就是“spiking”神经形态系统中尖峰的全部含义。

“Pohoiki Springs将我们的Loihi神经形态研究芯片扩大了750倍以上，同时运行的功率水平低于500瓦。该系统使我们的研究伙伴能够探索在传统架构(包括高性能计算(HPC)系统)上运行缓慢的工作负载的加速方法。”

根据滑铁卢大学教授、应用大脑研究部联合首席执行官Chris Eliasmith的说法，Loihi芯片在运行实时深度学习基准的功耗降低了109倍，而与专用物联网推理硬件相比，功耗则降低了5倍。如果将网络规模扩大50倍，Loihi能够保持实时性能表现，功耗却只增加了30%，传统物联网硬件功耗则已经增加了500%。

所以英特尔Pohoiki Beach系统擅长的工作十分突出。工作人员能够利用这套系统高效扩展新型神经启发式算法——例如稀疏编码、同步定位和建图（SLAM）以及路径规划，这些算法能够根据输入的数据进行学习和调整。Pohoiki Beach是英特尔神经拟态研究工作的重要里程碑，它为英特尔研究院在今年晚些时候将该架构扩展到1亿个神经元的计划奠定了基础。

举个例子，英特尔Pohoiki Beach系统可以突破传统通用计算技术的性能桎梏，对诸如自动驾驶、智能家居、网络安全有更明显的效率提升效率。由于不需要全局时钟信号，使用的是异步脉冲神经网络(SNN)，Pohoiki Beach能更高效的解决数量庞大IoT物联网所带来的问题。

从理论上说，英特尔Loihi芯片可以扩展到最多16384颗芯片互连，相当于20亿个神经元，能够接近人脑860亿个神经元2%的数量。不要小看对比数字微不足道，摩尔定律在前沿领域依然奏效，如果有需要，Loihi的参数也将会呈指数级增长。能模拟人脑方式进行思考的方式，兴许不会太遥远了。