MIT研发新型芯片能像人脑一样思考问题

本文由腾讯数码独家发布

虽然在过去的十年中机器学习急速的的速度加快了，但是支持机器学习任务的底层硬件配置并没有太大的改变：基本上是以传统的处理芯片为主，比如如计算机处理单元（CPU）和图形处理单元（GPU）在大型数据中心结合的形式。

但是在这项技术的前沿是一种名叫做神经形态计算的领域，它试图让计算机芯片能更像人类的大脑“思考”，所以能够以闪电般的速度处理多个事件、模式和学习任务。今年早些时候，麻省理工学院的研究人员公布了一项革命性的神经形态芯片设计，该设计几乎代表了人工智能技术的下一个飞跃。

这种新型芯片的秘诀是一种为“芯片上的大脑”制造人工突触的设计。今天的数字芯片都是基于二进制、O/I信号进行计算。神经形态芯片通过一种模拟的方式工作，在不同的强度下交换电信号，就像大脑中的神经元一样。据麻省理工学院的研究人员介绍，这是一种新的突破，因为有“超过100M的突触可以调节大脑中的神经元信号”。

麻省理工学院的这项研究于今年1月发表在《自然材料》杂志上，展示了一种由硅锗制造的神经形态芯片全新设计。想像一下我们可以通过一个窗口屏幕，可以看到这个芯片在微观层面上的状态。这种结构使研究人员能够精确地控制电流的强度。在一个模拟实验中，麻省理工学院的研究小组发现，它的芯片可以代表人类手写的样本，准确率达到95%。

“超计算机人工神经网络操作是非常精确和高效的。然而它消耗了大量的能量，需要大量的足迹运算。”首席研究员Jeehwan Kim说，他是麻省理工学院电子和微系统技术实验室研究实验室的教授和首席研究员。

最终，这样的芯片设计可能会帮助处理器能够以极低的能量需求来执行机器学习任务，同时还可以快进机器人和自动驾驶技术的发展。

这项技术另一个好处是节省成本和提高便携性。人们认为，通常来说小体积的神经形态芯片会消耗更少的能量，甚至可能会比大规模的芯片能耗减少1000倍，依然可以同时有效地处理数百万个计算，而目前只有大型超级计算机才有可能做到这一点。

“这正是人们所设想的内容，一个更大规模的问题可以在一枚芯片上完成，随着时间的推移，这些问题会转移到非常便携、体积小巧的设备上。”追踪高性能计算的行业分析师、Intersect360 Research的首席执行官阿狄森·斯奈尔（Addison Snell）说。

目前，支持机器学习的芯片市场潜力规模相当大。去年，根据Intersect360 Research的数据显示，这个市场规模大约价值45亿美元。神经形态芯片代表一个微小的薄片形态处理器。根据德勤的数据来看，今年全球可能会售出不到10万个神经芯片，而预计2018年将售出50多万只神经芯片。

GPU处理芯片最初是由英伟达在上世纪90年代最先开发的，用于基于电脑平台的游戏处理。后来研究人员发现，GPU通过人工神经网络来支持机器学习任务非常有效，这些神经网络是在超级计算机上运行，并允许进行训练和推理任务，这些任务构成了人工智能工作流的主要部分。比如如果你想建立一个图像识别系统，它自动识别什么是什么，比如老虎。你首先要给网络提供数百万张被人类标记为“老虎”或“不是老虎”的图片，这是用来训练计算视觉学习系统。然后下一次，当系统显示一张老虎的照片时，它就能推断出这张照片确实是一只老虎照片。

机器学习的进化

但近年来，小型初创企业和大公司都在修改它们的芯片架构，以满足新的人工智能工作负载的需求，包括自动驾驶和语音识别。根据德勤的数据来看，两年前，几乎所有涉及人工神经网络的机器学习任务都使用了大体积的CPU和GPU。而今年开始全新的芯片设计，如FPGA（现场可编程门阵列）和ASIC（特定于应用程序的集成电路），在数据中心的机器学习芯片中占据了更大的比例。

德勤在今年发布的一份市场分析报告称：“这些新型芯片应该大幅增加机器学习的使用，使应用程序能够消耗更少的电力，同时也能变得更灵敏、更灵活、性能更强。”

神经形态芯片代表了下一个层次，特别是基于收缩晶体管的前提下的芯片架构已经开始放缓。尽管自20世纪80年代以来，神经形态计算一直存在，但它仍然被认为是一种新兴的领域。尽管在过去的十年里，它已经引起了研究人员和科技公司的更多关注。

“神经形态计算的力量和性能远远优于我们在任何平台上所能期待的任何增量解决方案，”IBM负责大脑的计算的首席科学家达门德拉·莫德哈（Dharmendra S. Modha）说。

莫德哈在2004年启动了IBM自己的项目到神经形态芯片设计。这是一项由美国国防高级研究计划局（DARPA）资助的一项研究，由IBM研究人员花费了数年的时间，最终研制出了TrueNorth。这是一种神经形态的芯片，其大小相当于一枚邮票的面积，功耗仅有70毫瓦的功率，基本上与助听器所需的能量相同。

“我们不认为神经形态计算将取代传统的计算，但我相信它将成为自动驾驶汽车和机器人技术的关键技术。”莫德哈说。

对于在边缘进行计算的场景，就像自动驾驶汽车必须实时处理的大量数据，以此防止崩溃的出现，小型的便携式神经形态芯片将代表一种新的进步。实际上，最终的终极游戏规则是采用一个深度神经网络并将其嵌入到一个芯片上。然而，目前的神经形态技术还远未达到这一水平。

由Kim领导的麻省理工学院研究团队在这项研究花费了大约三年时间，而且这项研究还在继续，这主要归功于美国国家科学基金会提供的12.5万美元的资金支持。

“几十年来，人们一直在追求神经形态计算。我们正越来越接近这种芯片的可能形态和位置，”交叉Intersect360 Research的斯奈尔说。“但在短期内，市场将更倾向于用传统的加工方式来做些什么。”