物聯(lián)網(wǎng)配合人工智能將會給社會帶來巨大的變化，然而目前基于深度學習的芯片難以實現(xiàn)物聯(lián)網(wǎng)對于低功耗的需求。這時候就是神經(jīng)模態(tài)芯片大展身手的地方。

神經(jīng)模態(tài)計算目前或許只要把神經(jīng)元的數(shù)量和神經(jīng)突觸連接數(shù)量跨過一個閾值，那么神經(jīng)模態(tài)計算就有可能爆發(fā)出巨大的能量，甚至遠超之前的想象。

GPU在AI主導地位將終結

IBM大膽預測，GPU在AI中的主導地位正在結束。GPU能夠為圖形處理進行大量的并行矩陣乘法運算，這種矩陣乘法碰巧與神經(jīng)網(wǎng)絡所需的完全相同。

因為沒有那些GPU，我們永遠無法達到今天在AI性能方面已經(jīng)達到的性能水平。但是，隨著更多企業(yè)已經(jīng)掌握了更關于如何實現(xiàn)人工智能的知識，他們也在尋找設計出更高效硬件的方法和途徑。

工程界已經(jīng)意識到，降低能耗的關鍵是盡量減少計算架構中出現(xiàn)數(shù)據(jù)必須從內(nèi)存遷移到處理器用于計算的這一情況發(fā)生，因為這樣的遷移需要耗費大量時間和精力。

模擬技術天然適合邊緣的人工智能。模擬計算需要低功耗，證明它具有高能效，但卻不準確。模擬正在回歸，因為內(nèi)存計算與模擬計算可以相互配合。內(nèi)存陣列負責神經(jīng)網(wǎng)絡權重，模擬元件負責求和和觸發(fā)。

而人工智能學科發(fā)展與人類智能差距之一就是對多模態(tài)信息的智能化理解。人造信息量帶來了更大多樣性，視覺、聲音、符號語言、嗅覺和觸覺等信息，具有無限多樣性。

神經(jīng)模態(tài)計算的重要意義

①目前的深度學習僅能實現(xiàn)人類大腦極小一部分的功能，距離人類的智能還有非常遠的距離，而使用神經(jīng)模態(tài)計算直接模仿神經(jīng)元系統(tǒng)在人工神經(jīng)元數(shù)量足夠多時，或?qū)⒂邢Ｍ軐崿F(xiàn)比起深度學習更好的效果，更接近人類大腦。

②目前深度學習計算在部署上遇到的困難是能效比和延遲問題，在對于功耗要求非常低的物聯(lián)網(wǎng)領域，以及對于延遲要求非常高的領域無人駕駛領域，部署深度學習會遇到很大的挑戰(zhàn)。

恰好神經(jīng)模態(tài)計算則可以解決這兩大問題

①神經(jīng)模態(tài)計算的一大優(yōu)勢就是其計算功耗與輸入有關，在輸入不會激活大量神經(jīng)元的情況下，其功耗可以做到非常低。

②對于物聯(lián)網(wǎng)應用來說，神經(jīng)模態(tài)計算可以利用這樣的規(guī)律，僅僅在需要的時候激活神經(jīng)元消費能量來完成事件識別，而在其他沒有事件的時候由于神經(jīng)元未被激活因此功耗很低，從而實現(xiàn)遠低于深度學習芯片的平均功耗。

③神經(jīng)模態(tài)計算并非常規(guī)的馮諾伊曼架構，神經(jīng)模態(tài)計算芯片一般也不會搭配DRAM使用，而是直接將信息儲存在了神經(jīng)元里。這樣就避免了內(nèi)存墻帶來的功耗和延遲問題，因此神經(jīng)模態(tài)計算芯片的延遲和能效比都會好于傳統(tǒng)的深度學習。

神經(jīng)模態(tài)芯片發(fā)展的方向

①神經(jīng)模態(tài)芯片的發(fā)展方向首先是規(guī)?；磾U大神經(jīng)元的規(guī)模，這也是Intel和IBM等大廠主要押注的方向。

②利用神經(jīng)模態(tài)計算低功耗和低延遲的特點并進一步優(yōu)化芯片設計來開發(fā)出高能效比低延遲的芯片。這類芯片或許神經(jīng)元數(shù)量不多，但是可以實現(xiàn)非常低的功耗和非常好的能效比，從而可以部署在傳統(tǒng)深度學習無法部署的場景。

神經(jīng)模態(tài)芯片的商業(yè)化落地

①對于Intel和IBM這類在大規(guī)模神經(jīng)元領域大量投資的公司，更看重在這幾年內(nèi)把神經(jīng)模態(tài)計算的研究、生態(tài)先做起來，等到神經(jīng)模態(tài)計算研究取得突破時就能獲得先機。

②在中等規(guī)模神經(jīng)元規(guī)模、主打低功耗的神經(jīng)模態(tài)芯片方向上，物聯(lián)網(wǎng)將會成為最佳的落地應用。

多模態(tài)人工智能存在不少難點

①數(shù)據(jù)模態(tài)多種多樣，包括2D圖像、3D模型、結構化信息、文本、聲音及更多無法量化的數(shù)據(jù)。

②多模態(tài)數(shù)據(jù)的不對應，如從圖像到文字，從文字到圖像，都是“一對多”的過程，會有多種的描述和呈現(xiàn)。

③多模態(tài)數(shù)據(jù)的融合，一個軟件或算法的進步較為容易，但多個算法一起，難度將幾何級上升，要經(jīng)過語言模型、三維建模、自動尋路、圖像分析這些步驟。

④多模態(tài)監(jiān)督。

AI芯片向多模態(tài)演進

目前，物聯(lián)網(wǎng)和人工智能都是發(fā)展大勢，而AI芯片正處于從通用型向?qū)Ｓ眯桶l(fā)展和轉化的過程當中，特別是在物聯(lián)網(wǎng)邊緣側，通用型AI芯片的計算效率較低，繼而帶來了成本和功耗的失配。

在物聯(lián)網(wǎng)應用初期，很多AI芯片都是以單模態(tài)功能切入市場的，最為普遍的就是語音應用。但是未來的應用會是多模態(tài)融合的，機器人就是一個典型的多模態(tài)應用實例，還有如車載芯片，因此多模態(tài)是市場發(fā)展的必然趨勢。

對于架構，雖然每家芯片企業(yè)的架構都有各自的特點和實現(xiàn)方法，支持機器學習的算法會逐漸形成統(tǒng)一的框架。未來有可能形成在不同AI芯片硬件上面，可以運行所有神經(jīng)網(wǎng)絡的模型，這在不久的將來是完全有可能出現(xiàn)的。

隨著5G和物聯(lián)網(wǎng)的大面積鋪開，低功耗AI芯片將是未來的主要發(fā)展方向，只要相關標準能夠確定，則商機無限。

企業(yè)先后跨足神經(jīng)形態(tài)領域

雖然2016年時在航空、軍事與國防、汽車、消費、醫(yī)療、金融服務、基礎設施和公用事業(yè)等產(chǎn)業(yè)中使用神經(jīng)形態(tài)技術的應用并不多，但在接下來的十年，這些產(chǎn)業(yè)將開始大量采用神經(jīng)形態(tài)技術。

像IBM、Intel、惠普等巨擘都跨足這個領域，為神經(jīng)形態(tài)晶片開發(fā)硬體，同時，高通也計劃在2018年以前商用化其認知運算與機器學習平臺Zeroth，從而將神經(jīng)形態(tài)功能整合在嵌入式系統(tǒng)中。

整體神經(jīng)形態(tài)晶片市場在2016年時約有12億美元的價值，并以26.3%的復合年成長率成長，在2022年時達到48億美元的市場規(guī)模。

而這還不包括消費終端產(chǎn)業(yè)，而是指由工業(yè)檢測、航空、軍事與國防等領域所帶動的神經(jīng)形態(tài)晶片市場需求。到2022年，亞洲將占據(jù)一半以上的神經(jīng)形態(tài)市場。

國內(nèi)神經(jīng)模態(tài)芯片被重視

國內(nèi)神經(jīng)模態(tài)芯片得到了國家和業(yè)界的重視。清華類腦計算中心做出了卓越的貢獻，其工作發(fā)表在全球頂級期刊和會議上。上海也于今年建立了上海腦科學與類腦研究中心，神經(jīng)模態(tài)計算是該中心的重點方向之一。

在商業(yè)化方面，清華類腦計算中心孵化的初創(chuàng)公司靈汐科技在今年發(fā)布了自主研發(fā)的“天機二代”芯片系統(tǒng)，使用眾核存算一體架構，具有高速度、高性能、低功耗的特點。

相比國外同行，我國的神經(jīng)模態(tài)計算在最近幾年得到了來自國家非常高的重視，相信在未來幾年內(nèi)將會有全球領先的成果誕生。

過去幾年，尹首一副教授針對這一前沿課題，領銜研究和設計了可重構多模態(tài)混合神經(jīng)計算芯片(代號Thinker)。

Thinker芯片基于該團隊長期積累的可重構計算芯片技術，采用可重構架構和電路技術，突破了神經(jīng)網(wǎng)絡計算和訪存的瓶頸，實現(xiàn)了高能效多模態(tài)混合神經(jīng)網(wǎng)絡計算。

Thinker芯片具有高能效的突出優(yōu)點，其能量效率相比目前在深度學習中廣泛使用的GPU提升了三個數(shù)量級。

其支持電路級編程和重構，是一個通用的神經(jīng)網(wǎng)絡計算平臺，可廣泛應用于機器人、無人機、智能汽車、智慧家居、安防監(jiān)控和消費電子等領域。

結尾：

目前Intel和IBM在內(nèi)的企業(yè)正積極探索超低功耗神經(jīng)模態(tài)芯片在不同領域的應用，在未來幾年內(nèi)隨著AI+IoT的發(fā)展，神經(jīng)模態(tài)計算將會迎來一波新的熱潮。

目前如何高效訓練大規(guī)模神經(jīng)模態(tài)神經(jīng)元的算法還沒有找到，因此在現(xiàn)有訓練框架的基礎下，或許優(yōu)先把能效比做到極致是比把神經(jīng)元數(shù)量做大更接地氣的方向。