超算難勝大腦，何不依照神經結構打造芯片？

伴隨著第四次工業革命的到來，人工智能和機器學習成了半導體行業熱捧的技術。從訓練和推理的角度來看，這些技術用到的數據量已經足夠龐大，但AI芯片依然很難做到像大腦一樣思考。

以目前世界排名第二的超算IBM Summit為例，其運算速率已達200 PFLOPS，但大腦的運算性能仍然是它的5倍。研究人員開始反思為何不仿制一個大腦結構的芯片，依照人體神經元網絡結構打造的神經形態芯片也因此出爐。

大腦中的神經元可以通過無數個突觸實現互通，從而快速處理大腦信息，進行記憶、推理和計算。基于馮諾依曼結構的AI芯片依然需要在多個部件之間進行信息傳輸，造成處理速度瓶頸，這也是為何近年來業內仍在發展互聯技術的原因。

而神經形態芯片基于人腦的架構，采用了脈沖神經網絡（SNN），不僅顯著提升了處理速度，更是可以同步進行多項操作，同時進行數據輸入和輸出，且功耗與當前的AI芯片相比大大降低。

嗅覺識別

2017年11月，英特爾發布了自己的神經形態芯片Loihi。這一60mm²大小的芯片基于14nm工藝制造，采用了128個“神經核”的設計，囊括了13萬神經元。英特爾稱其設計基于專為SNN算法優化的架構，每個神經元都可以數千個神經元相互通信。Loihi支持的SNN運算，不需要在傳統的卷積神經網絡下進行訓練。

Loihi芯片 / Intel

去年3月17日，英特爾研究院和美國康奈爾大學研究人員聯合發表了一篇論文，展示了一種基于哺乳動物嗅覺系統的神經算法，即便存在明顯干擾和遮蓋的情況下，英特爾的神經形態芯片Loihi依然可以學習和識別危險甲苯和一氧化碳等化學品。此外，由于神經形態芯片的優勢，Loihi僅需單一樣本就可以識別氣味，不像過去的深度學習一樣需要大量的訓練樣本。

在與不少學術機構合作的過程中，研究人員同樣發現Loihi具備超低功耗的特性。在運行一個實時深度學習測試中，Loihi的功耗要比一片GPU低109倍，與專用的IoT推理硬件相比低5倍。更棒的是，即便將深度學習網絡的規模擴展50倍，Loihi不僅能夠保持同樣的實時性能表現，其功耗占用也只有30%而已，而IoT硬件的功耗已經高至6倍，且無法再滿足實時處理了。

視覺識別

今年1月，澳大利亞斯威本大學、電子科大和中國科學院聯合發表了一篇論文，該團隊聲稱打造出了性能最強大的光學神經形態處理器。領導這項研究工作的David Moss教授聲稱，該芯片基于光微梳打造，可以實現10 TOPS的運算性能。

該芯片可以生成25萬像素的圖像卷積，對于人臉識別之類的應用已經綽綽有余。在測試中，他們在該芯片上用10個輸出神經元依次組成一個光學卷積神經網絡，在識別手寫數字圖像上準確率可達88%。同樣的方法也可以擴展到更復雜的網絡上，比如用于自動駕駛和實時視頻識別等等。

TrueNorth芯片 / IBM
同樣在用神經形態技術進行視覺識別的還有IBM，其TrueNorth芯片包含了100萬個神經元和2.56億個突觸。這個4096個內核的芯片基于三星的28nm工藝制造，支持多對象檢測和分類，正常工作情況下的功耗卻只有60至70mW。

視覺傳感器也開始應用神經形態技術，以Prophesee為例，這家公司基于自己神經形態技術，在去年與索尼聯合發布了基于事件的工業級視覺傳感器。該公司也在今年7月獲得了創新工場、小米和韋豪創芯的投資。

結語

從以上案例可以看出，神經形態芯片和人腦結構一樣，在處理龐大的多樣化數據上上有著不小的優勢。而傳統AI和機器學習場景中，許多都需要需要大數據支持而且無法完成直接替代，這些應用往往也與人類感知器官相關。

除了嗅覺和視覺外，也有像荷蘭初創公司Innatera這樣專注于音頻和健康的神經形態芯片公司?？梢哉f神經形態芯片在發揮傳感應用的全部性能上，具備著現有AI芯片難以媲美的優勢。

不過這項技術在硬件和軟件上尚未成熟，目前大型的神經形態芯片還沒有出現，而且已有的一些算法也很可能難以兼容。憑借其低功耗和小體積的優勢，神經形態芯片最對口的使用場景也許還是移動設備和AIoT。