當AlphaGo打敗韓國棋手李世石后，為了讓其能更好地訓練自己的系統(tǒng)，谷歌專為機器學習定制了“TPU”（Tensor Processing Unit）的ASIC芯片，專門針對TensorFlow進行優(yōu)化，性能要優(yōu)于英偉達的GPU。

　　從谷歌對于芯片的重視程度來看，芯片的性能對于人工智能訓練自身，進行機器學習的這一過程非常重要。在人工智能領域里，在CPU、GPU上運行深度神經(jīng)網(wǎng)絡計算已不是什么新鮮事。對于芯片公司來說，未來人工智能會越來越多地運用到各個智能設備上，對芯片的傳感器、信息處理速度的要求越來越高。

　　這樣一來，科學家就需要采用專門的高效芯片來處理深度神經(jīng)網(wǎng)絡帶來的海量數(shù)據(jù)?，F(xiàn)在，利用神經(jīng)形態(tài)計算，來模擬人類大腦處理信息的技術，正在成為人工智能領域的另一個技術方向。

　　“人工智能深度神經(jīng)網(wǎng)絡的計算結構比較特殊，比如高度的并行化、時間域上的遞歸、中間的節(jié)點比較稀疏，所以如果能用專門的硬件來實現(xiàn)，會比在CPU上用軟件實現(xiàn)要高效，一般來說會提高2-3個數(shù)量級。”地平線機器人公司余凱在接受媒體采訪時說。

　　神經(jīng)形態(tài)計算可以模擬人類大腦處理信息

　　馮·諾依曼

　　神經(jīng)形態(tài)計算，也可以稱為是大腦刺激計算，對于科學家來說這個領域一直是誘人的目標。人腦運轉的高效性對于許多計算機來說，一直是無法企及的目標。除了能用更少的能耗來做更多的計算外，最為重要的是，神經(jīng)形態(tài)計算擺脫了馮·諾依曼建立的計算結構，將模擬大腦處理、加工信息的過程集成到芯片上。這樣一來，裝了這種芯片的機器可以更快速、高效的學習數(shù)據(jù)。

　　但是，目前計算機使用的芯片大多還是依據(jù)馮·諾依曼體系結構，依靠中央處理器和存儲器來回處理信息，計算信息中的邏輯。這個方法非常適合處理數(shù)字，執(zhí)行精確編寫的程序，但不能用于處理圖像或聲音。以谷歌公司為例，谷歌訓練人工智能識別視頻中的貓時，需要16000個處理器來支撐。

　　而神經(jīng)形態(tài)計算，則希望通過模擬人類大腦處理信息的過程來達到高效的作用。它模擬了大腦數(shù)十億神經(jīng)元和突觸，用以接受外來信息，如視覺、聽覺，隨后，接受到的信息、圖片和聲音又能改變神經(jīng)元之間的聯(lián)系。這整個過程就是機器學習的過程。在神經(jīng)形態(tài)計算中，納入了類似人類大腦啟發(fā)的模型，也可以稱為神經(jīng)網(wǎng)絡。

　　IBM、高通布局神經(jīng)形態(tài)計算芯片

　　神經(jīng)形態(tài)計算最早由從事類腦研究的美國加州理工學院科學家Carver Mead，在上世紀80年代末提出。雖然在過去三十幾年中，業(yè)界仍以傳統(tǒng)的芯片為主，但國外已經(jīng)有科技巨頭在朝這個方向努力，甚至還聯(lián)合了美國國防部先進研究項目局（DARPA）。

　　例如，IBM的TrueNorth項目。該項目在2014年8月推出，IBM以神經(jīng)形態(tài)工程學設計了CMOS芯片，包含4096個硬件核心，每個核心包含256個可編程的神經(jīng)元芯片，擁有超過一百萬的神經(jīng)元。神經(jīng)元上的突觸能接受信號并影響彼此之間的聯(lián)系。

　　TrueNorth的項目是DARPA（SyNAPSE）下的項目之一，這款芯片的計算能力已經(jīng)大致等同于嚙齒動物的腦力。它也繞開馮·諾依曼架構的瓶頸，同時還非常節(jié)能，功耗僅70為毫瓦，能夠每秒能操作460億神經(jīng)突觸。

　　如果說IBM的項目與軍方有關，不適合商用的話，那高通Zeroth項目的商業(yè)味道會更濃一些。Zeroth項目，不僅希望可以模仿類似人類的感知，而且還擁有學習生物大腦如何活動的能力。高通研發(fā)部門的高級主管和產(chǎn)品經(jīng)理Tony Lewis認為他們的研究很有意義：“大腦之中充滿了電流活動和諸如意識、行為等活動模式，人們之前無法觀察這些活動，這些活動模式出錯了也不知道怎么去治療。借助于高通的研究成果，人們會看到人類大腦中復雜的活動模式，并能夠識別他們，進而研發(fā)出治療恢復的方法。”

　　目前高通還將自己的研究成果用于玩具機器人上，可以讓機器人在丟失了圖傳信號，或者斷網(wǎng)的情況，能自主地判別障礙物并主動繞行。未來，高通還希望建立Zeroth平臺，搭建更多的應用項目。

　　國內(nèi)水平不差，未來可彎道超車

　　西井科技發(fā)布的首塊5000萬神經(jīng)元類腦芯片

　　除了國外的科技公司在投入外，國內(nèi)也有初創(chuàng)公司加入到神經(jīng)形態(tài)計算芯片的研發(fā)中。上海西井信息科技公司成立于2015年。在今年5月份，公司對外推出了擁有100億“神經(jīng)元”的人腦實時仿真模擬器“西井大腦”，同時還推出了5000萬神經(jīng)元類腦商用芯片。西井信息科技CEO譚黎敏在接受澎湃新聞（www.thepaper.cn）采訪時說：“在無網(wǎng)絡情況下使用相對需要傳輸云端處理任務。我們之前做過相應測試，使用我們的芯片，在2秒內(nèi)，8個神經(jīng)元核心就完成了對6萬張圖片的學習。速度之快，大大超越了傳統(tǒng)的CPU。正是因為模擬人腦神經(jīng)元的工作方式，而產(chǎn)生了這樣的優(yōu)勢。”

　　據(jù)譚黎敏介紹，公司獨有的算法可以模擬人腦突觸的可塑性原理，也讓公司成為了做到“on-line learning”的硬件團隊。目前公司還在擴大技術隊伍，計劃在今年年末推出可量產(chǎn)的商用芯片。同時，該公司還計劃用類腦智能助力腦科學研究，以腦科學研究“反哺”類腦智能的方式與各國腦計劃團隊展開合作交流。

　　盡管神經(jīng)形態(tài)計算的芯片在技術上有優(yōu)勢，但也不得不指出，從目前的市場情況來說，仍以傳統(tǒng)的芯片為主。大多數(shù)的公司也還在摸索芯片的應用場景。

　　“神經(jīng)形態(tài)計算還處于起步階段。”橡樹嶺國家實驗室研究員凱瑟琳·舒曼說，“我們還沒有確定我們將運行的特定架構。同時我們也還在尋找以不同的方式模擬神經(jīng)元突觸。此外，還有如何實際使用這些設備的問題、編程方面等都需要花時間。”

　　譚黎敏在接受澎湃新聞采訪時，也談到了一些國內(nèi)遇到的困難。他告訴澎湃新聞（www.thepaper.cn）：“除了緊缺技術人才，我們更缺的是硬件資源，我們做的芯片、硬件涉及半導體行業(yè)，這個行業(yè)在中國本身就需要迎頭追趕國外。但在人工智能的研究方面，中國與國外的差距其實沒有想象中那么大，只不過我們起步晚一些，未來‘彎道超車’應該比較快。”