×
物联网技术 > 物联网 > 详情

揭秘神经拟态计算:未来应用方向已明晰

发布时间:2023-03-10 发布时间:
|

神经拟态计算日益“火热”。各大厂商以及科研机构都在抓紧布局,英特尔最近公布了在神经拟态计算的最新进展,Loihi芯片仅需单一样本便可学会识别10种有害气体的气味。以Loihi芯片为基础的神经拟态计算系统PohoikiSprings包含1亿个神经元,堪比小型哺乳动物的大脑容量。

微信图片_20200527142810

英特尔Loihi芯片

神经拟态计算,或“类脑计算”或“神经形态计算”,指的是机器模拟人脑神经机构和运行方式有关的计算。脉冲神经网络(SNNs)是神经拟态计算中一种全新的模型,可以模仿人脑中自然神经元网络的方式将计算模块重新分布。

颠覆传统冯·诺依曼的硬件加软件架构,实现人脑的智能功能,神经拟态计算被认为是引领下一代人工智能的主流计算模式。

近日,英特尔中国研究院院长宋继强与杜克大学电子与计算机工程系教授陈怡然教授以及浙江大学计算机学院教授唐华锦教授进行了一次有关神经拟态计算的行业对话。

三位学术界大咖在这次的行业对话中着重对神经拟态计算的独特优势、和目前主流的深度学习的对比、如何进一步突破以及未来的应用方向等话题进行了意见交流,再次引起了业界对神经拟态计算的关注和讨论。

解决现有AI的挑战

目前的人工智能正在面临着诸多挑战,其中一项就是对于能源的大量需求,造成对生态的污染问题。

国外的一项研究显示,仅仅是训练一个AI模型,所消耗的电力产生的碳排放量相当于5台美式轿车整个生命周期的碳排放量。可以说,目前的AI模式对生态环境构成了一定的威胁。

作为下一代的AI芯片,神经拟态计算能够很好地解决这一问题。宋继强表示:”神经拟态计算在算法以及芯片的设计上可以实现以低一千倍以下的功耗去完成同样效果的模型训练。”来自浙江大学的唐华锦教授也认为神经拟态芯片是一种环境友好型的芯片,“体积小、功耗低,符合生物进化最本质的优势。“

除了能耗低的优势之外,神经拟态计算还有诸多其他优势。唐华锦称“神经拟态计算最大的优势是神经元的智能性和自主性,不是单纯解决一个数据训练、模式识别的问题,而是解决多模态感知、非结构化信息的感知和推理。“

另外,来自杜克大学的陈怡然教授也表示神经拟态计算相比目前的技术来说会更加安全,“神经拟态计算可以通过不同信号相互之间连接,可以做得更‘鲁棒’(Robust),这对于外在的攻击或者不友好的操作其实可以更有效的进行保护,现在这方面也有一些新的研究。“

与深度学习的关系

在此次对谈中,一个重要的谈论主题是神经拟态计算是否会在不远的未来取代深度学习。Gartner此前的一份调查报告预测,到2025年神经拟态计算有望取代GPU,成为下一代AI的主流计算形态。

对此,三位嘉宾的观点不尽相同。宋继强认为神经拟态计算和深度学习的关系是兼收并蓄,而不是取代,“对于深度学习已经非常擅长的,模拟人类视觉或者自然语言交互的任务,我们让深度学习的网络去模拟;对于其他不太适合用深度学习做的,如英特尔Loihi芯片做的嗅觉方面的研究,还有机器人操控、多模态甚至于跨模态之间的知识存储,我们可以用神经拟态计算去实现。”

唐华锦认为,在一些特殊场景中,比如并不需要精确的计算结果而是需要在一个实时环境中给出一个“鲁棒”的响应时,相比于深度学习算法,神经拟态计算有着绝对优势。

不过在陈怡然看来,目前神经拟态计算本质上跟深度学习所能实现的功能没有特别大的不同,“现在还没有可靠的证据表明,神经拟态计算能够达到这一代人工智能技术所不能达到的新境界。”陈怡然也认可神经拟态计算所具有的“鲁棒”性以及实时性等优势,但这些只能说是在深度学习基础上的提升而不是技术上的突破。“神经拟态计算不应该是深度学习的一个子集,而应是全新的集合,”他表示。

“杀手级”应用

对于未来的突破方向,陈怡然认为最根本的问题是“必须要软硬协同,两者必须要齐头并进。”宋继强则认为,尽快找到真正适应神经拟态计算的应用方向,取得里程碑式的进展,有助于促进产业跟随。为此,英特尔成立了INRC(神经拟态研究社区),成员可以获取英特尔Loihi测试芯片从而支持他们的神经拟态研究。目前已经有诸多科研机构、大学、世界500强企业加入,促进神经拟态计算应用落地。

在此次对话中,有关未来神经拟态计算的应用方向,嘉宾们也作出了一些设想。唐华锦认为未来神经拟态计算比较有前景的切入点主要有两个:“一个是非结构化数据,实时性要求很高的场景。另外一个是多模态的、实时的场景,比如说机器人、无人机等需要持续学习和自适应学习的场景。”

宋继强也认为,未来神经拟态计算很有可能会落地到商用或者消费级的产品,“我们目前已经看到在服务机器人以及智能家居等场景下,神经拟态计算可以有很好的表现。”



『本文转载自网络,版权归原作者所有,如有侵权请联系删除』

热门文章 更多
RFID系统的组成