驅動了現代人工智能革命的深度學習軟件大多都是在標準的計算機硬件上運行的。然而，IBM卻采取了一個更不同尋常的方式：他們在測試仿人腦芯片TrueNorth，希望能將其用作深度學習的硬件平臺。

　　深度學習算法助力 人工智能或將迸發出更強力量

　　深度學習的強大功能依賴于卷積神經網絡算法，這個算法由多層節點（也稱之為神經元）組成。這種神經網絡可以通過“深”層節點篩選海量數據，以此在自動識別人臉或理解不同的語言等方面變得更加智能。谷歌、facebook、亞馬遜和微軟等公司所提供的網絡服務已經在運用這些能力了。

　　IBM在最近的研究中證明，深度學習算法可以在仿人腦硬件上運行，而后者通常支持的是一種完全不同形式的神經網絡。

　　2016年9月9日，《美國國家科學院院刊》 （Proceedings of the National Academy of Sciences）刊登了IBM的研究論文。美國國防高級研究計劃局（tDARPA）給該項研究提供了不到100萬美金的資助。這筆資助是DARPA皮質處理器項目（Cortical Processor Program）的一部分，該項目旨在研究能辨認復雜模式并適應不斷變化的環境的仿人腦人工智能系統。

　　位于加利福尼亞州圣何塞的IBM Almaden研究實驗室的仿人腦計算領域首席科學家Dharmendra Modha 表示：“新的里程碑研究清楚地證明，仿人腦計算的效率能是可以與深度學習的效果相融合的，進而為新一代更高效和更有效的芯片和算法的誕生鋪平了道路。”

　　2011年，IBM首次詳細描述了TrueNorth，并推出了原型芯片。因此，TrueNorth的誕生早于2012年開始的基于卷積神經網絡的深度學習革命，當然也不是為了深度學習而專門設計出的。相反，TrueNorth支持的是脈沖神經網絡，后者能更加細致地模仿生物體大腦中神經元的活動。

　　脈沖神經網絡中的神經元不會在每個循環都放電，而是必須在放電之前逐漸積累電壓。通常情況下，為在深度學習任務上達到所需的精確度，脈沖神經網絡不得不經過多個循環以得到平均結果。這實際上減慢了諸如圖像識別或語言處理任務的整體計算速度。

　　深度學習專家普遍認為脈沖神經網絡在深度學習方面的效率較低——至少與卷積神經網絡相比是這樣的。Facebook人工智能研究所主任、深度學習領域的先驅者Yann LeCun，之前就批評過IBM的TrueNorth芯片，因為其最初就是為脈沖神經網絡設計的。

　　加利福尼亞大學圣地亞哥分校人工智能組的深度學習研究者Zachary Chase Lipton表示，IBM TrueNorth的設計可能更符合神經形態計算的目標，即專注于細致地模仿和理解生物大腦。相比較而言，深度學習研究者對獲取人工智能服務和產品的實際結果更感興趣。他解釋了這一差別：“這讓我們想到關于鳥類和飛機之間的老套比喻，你可能會說計算機神經科學/神經形態領域更關注研究鳥類，而機器學習領域更關注理解航空動力學（不管是否有生物學的幫助）。通常情況下，深度學習領域看好專業化硬件帶來的益處。神經形態芯片所關注的脈沖神經網絡在深度學習領域并不熱門，所以人們對它們也沒有很大的興趣。”

　　為使TrueNorth芯片更好地適應深度學習，IBM必須開發一種新算法，讓卷積神經網絡在神經形態計算硬件上良好地運行。這種聯合的方式在8個數據集（包括視覺和語音）上達到了IBM所謂的“幾乎是最高水準的”分類準確度。在最好的情況下，準確度在65~97%之間。

　　當僅使用一個TrueNorth芯片時，它只能在8個數據集中的一個上超越最佳準確率。然而，IBM研究者可以通過使用8個芯片來提升深度學習技術下硬件的準確率。這使得TrueNorth能在其中3個數據集上達到或超越最佳準確度。

　　TrueNorth在測試中也能做到每秒處理1200~1600視頻幀信息，這意味著單獨一個TrueNorth芯片可以同時對多達100個照相機拍攝的視頻實時進行模式識別。在這種情況下，我們假設每個相機使用1024個彩色像素（32*32）及24幀頻的標準電視數據流信息。

　　Lipton表示，TrueNorth在深度學習領域首次測試所得的這些結果也許令人印象深刻，但是還應該謹慎看待。他指出視覺數據集中的32 x 32像素圖像還有些小問題。

　　盡管如此，IBM的Modha似乎對繼續在深度學習應用中測試TrueNorth充滿熱情。他和他的同事希望在所謂的“不受約束的深度學習”上測試芯片，這意味著在訓練神經網絡的過程中逐步引入硬件限制，而非在一開始就采用限制措施。

　　Modha也指出，TrueNorth的總體設計比深度學習專屬硬件更具有優勢，后者僅在卷積神經網絡上運行。而TrueNorth有希望讓多種形式的人工智能網絡在同樣的芯片上運作。

　　Modha表示：“TrueNorth不僅能夠實現卷積網絡的功能（盡管這并不是設計它們的初衷），而且還能夠支持多樣的連接形式（反饋、橫向反饋和正向反饋），并能同時執行各種不同的其他算法。”

　　Lipton說，這樣的生物型芯片只有在深度學習上的表現超越其他硬件，才可能變得流行。但是他也建議說IBM可以利用其硬件專長，與谷歌和英特爾合作，共同研發深度學習領域的新型專業芯片。

　　Lipton表示：“我認為某些神經形態芯片制造商將會利用他們在硬件加速方面的專長，來開發深度學習的應用型芯片，而非僅在進行生物模仿。”