神经拟态芯片取得重大突破,对AI有何意义?

扫码链接5000+新基建产业链上下游从业者,入群请备注“基智地+姓名+公司+岗位

这一周英特尔放出两个重磅新闻:其一是3月16日英特尔与康奈尔大学行使英特尔神经拟态芯片Loihi来识别爆炸物等危险化学品气息方面的研究,取得重大的突破。其二是3月19日英特尔用768个Loihi芯片组织了一个新的神经拟态研究系统Pohoiki Springs,这个系统到达了1亿个神经元的规模,而上一次构建的系统Pohoiki Beach是64个芯片800万个神经元,这次扩大了12倍。

360截图20200320230117309.jpg

在这两个重磅新闻的背后释放出许多主要的信号,人类对于除视觉、听觉之外的味觉嗅觉等研究有新突破,带来新想象空间和应用空间,人类对大脑的认知以及类脑芯片、AI芯片又跨上新台阶,未来的芯片生长之路又有可能另辟蹊径。这一切、一切的背后有诸多信息需要解密,3月20日,《中国电子报》记者连线采访英特尔中国研究院院长宋继强。

嗅觉和味觉AI为什么远比视觉和听觉AI要落伍?

我们知道人类在视觉、听觉识别方面相对成熟,但在味觉、嗅觉等方面识别仍面临许多挑战。而这次在英特尔与康奈尔互助在气息和爆炸物识别的突破有什么突破意义?关于味觉、嗅觉识别的主要的挑战是什么?通常接纳什么样的路径来解决这类问题? 

宋继强示意,人类的味觉靠舌头、嗅觉靠鼻子,现在为止,人工智能做得对照好的是视觉、听觉,这两个人类主要感官。之以是在两个领域做的对照好,有几个缘故原由,其一是视觉、听觉两类数据相对容易获得而且数据量大。在此前的信息化时代,好比2000年最先摄像头普及,更早时刻麦克风普及,让我们积累了大量图片数据、语音数据。其二是这两类数据的标注相对容易。人类基于捕捉下来的照片或是录制的音频举行标注,基于人类的基本认知知识容易实现,容易确定它的准确与否。

360截图20200320230139144.jpg

“而深度学习之以是能够获得现在的效果是由于几个要害:第一数据量足够,第二有标注好的数据,第三是要保证训练的数据集和未来要处置的问题的测试数据集的漫衍是一致的,这样训练出来的模子,才气够很好地处置真实的场景。”宋继强示意,这也是为什么我们看到深度神经网络善于处置视觉数据、语音数据的缘故原由。

而嗅觉和味觉,现在的数据异常少,而且没有很好地标注。事实谁可以将这些数据举行标注非得是专家在实验室才可以举行。好比葡萄酒的品酒,同一个葡萄酒十个专家来品尝可能会有差别的效果,同一个葡萄酒让同一个专家在差别的时间段品,也可能打出差别的分。以是它有难度。

“数据量不够多,而且主观评测尺度也不够,味觉的差异性太大。嗅觉相对客观一些,由于嗅觉自己是依据差别的气息,主要源于空气中包罗的一些化学分子成份差别、密度差别。人的鼻子、动物的鼻子、电子鼻对于气息的区分能力不一样。普通人能够区分三四百种差别气息,稍加训练可以到达上千种、数千种,但现实中真正可以区分的气息其实是在万种以上,这些数据我们一样平常很难拿到大量数据,以是它绝对是小数据量的场景。”宋继强说。

但嗅觉数据的使用场所异常多,好比爆炸品的检测,好比生涯中危害、有害气体的提早检测,好比对水果或农作物的成熟度检测,好比对检验污染的检测等,靠气息能够检测的异常多。现在因受限于数据量不够充实,检测手段不够高明,嗅觉AI的生长比视觉和听觉落伍异常多。

为什么用神经拟态盘算而不是其他盘算?

我们知道人工智能生长有三个要害:数据、算法、算力,为什么解决嗅觉、味觉等问题上要接纳类脑盘算,而不是其他的盘算来解决这些问题?神经拟态盘算比其他盘算解决此类问题有什么优点?用量子盘算是不是也可以很好地解决此类问题? 

宋继强示意,神经拟态盘算的优势在于,第一,不需要依赖于大量的数据。神经拟态盘算可以从一个样本的训练中就可以到达百分之九十多的相对对照高的准确率,这和已往人们专门去定制一些规则特征来识别的效果异常相似。人定立规则的意思是,若是我知道这个气息由哪几种分子组成,好比二氧化硫是臭鸡蛋味,我就可以知道这其中什么样的分子会导致臭鸡蛋味,可以定制一些化学传感器、其他的有机物传感器来指定检测这两种特定的分子组成,然后标注成这是二氧化硫的气息。但神经拟态芯片不需要人做这样的划分,而是直接取出来。这张Loihi识别模子图很好地注释了神经拟态芯片做这件事情的机理。

360截图20200320230203636.jpg

它是从人脑做嗅觉识别的历程去获得启发,人是通过鼻腔让空气吸进来,若是想甄别味道更快,可能要快速呼吸几下,让它的浓度、流动的速率都加速起来,可以接触到更多气息。以是它是让空气流动和鼻子里的传感细胞接触。这张图里还显示出传感细胞分成几种、每种的组织以及差别的感知细胞。然后连到底下的感知神经元,感知细胞相当于我们在组织电子鼻时,放了一些化学传感器或者有机物传感器。这样我们就组织出一个类似于人的鼻腔通道,然后感知气体流过它的分子接触,传感细胞时间的、空间的序列,组织出一个阵列一样的传感器的组合,就可以在气息经由的时刻形成一个时间上的脉冲序列,然后它有空间上的漫衍。这就与人的嗅觉系统的感知机理对照靠近。同时由于人脑里是靠神经元机制形成刺激-激励,形成以后要在神经元里累积,累积以后要去释放,就与神经拟态系统怎么用SNN模子,也就是脉冲神经网络的模子去模拟它相关。以是神经拟态芯片是对照容易让人们组织一个模子,包罗对时间和空间序列处置的一个模子,然后放在它上面,对数据举行模式的匹配。通过这一测试能把它的模式很好地记录下来,记录下来之后再碰着这样一个气息就能够发生最高响应。同时为了不要让其他可能的气息误识为它,这个阵列需要组织得对照大,上面传感细胞的传感器种类要更多。

“从这个事情图上我们看到了它从理论到实践的基础,以及可以扩展识别更多种类气体的扩展化的路径。”宋继强说,神经拟态芯片解决了若何可以在低成本、数据量很少、功耗很低的靠山下来解决闻味的问题。由于在一个Loihi芯片上组织这样的系统,它的功耗异常低,功耗只是毫瓦级别,无论是是训练照样识别都不需要花太多电,以是可以把它做成类似于“电子鼻”的小设。而且它可以扩展去识别许多种类的气体。

那么量子盘算等其他盘算是否能够拥有与神级拟态盘算一样的解题能力?宋继强示意,固然也可以用传统盘算机来解题,但若是是传统盘算机就需要组织更精巧的算法,在传统的CPU上固然可以模拟林林总总的盘算场景,然则执行效率一定不如在Loihi上这么直接、这么低功耗。而量子盘算是适合做大规模有并行选项同时验证的事情,并不是适合做嗅觉识别,由于嗅觉识别需要针对只有少量的、有时间序列的数据,举行快速判别。

Pohoiki  Springs难在那里?有什么突破意义?

英特尔这次宣布的新系统Pohoiki  Springs研发难度有多大?与上一代的系统相比有哪些突破?这些突破有什么意义?

宋继强示意,Pohoiki  Springs是在上一代Pohoiki  Beach的基础上继续举行大规模的互联。首先把互联的规模加大,加大后面临几个问题:第一互联之后怎么保证这些信息的通报,我们知道在一个64芯片的Pohoiki  Beach板级方案上,所有的芯片之间的毗邻是在一块电路板上,以是它们之间的速率是对照一致,很有保障的。当我们把12倍的板子连起来时,那就要增添更多的I/O毗邻组建和信息通报协议的处置,若何保证信息通报的有用和时效性。

第二是在上面支持软件开发的时刻,要更好地把硬件毗邻差异掩盖掉,让人人异常容易使用,就像使用一个大脑组织一样,差别的分区可能差别有功效的组合,实现天真分区使用,这需要一个漫衍盘算的软件层支持,以是这一层也对照要害。

第三是这上面要开发一些新模子也会涉及到更大规模的模子的设计和处置,这也比在小芯片上要难题。

它的难度分为三层,一是底层若何把这么多块芯片互连起来,把它所有毗邻起来同时要保证毗邻的有用性和时效性,这在业界没有做过。二是软件层,要支持互连盘算、漫衍式盘算和天真分区,这也是没有人做过的。三是支持更大规模的做动态计划和优化的实验,这也是英特尔首先做。

为什么要做这样一个大规模的系统?宋继强示意,由于在许多领域的应用里要做优化、约束知足、动态计划时,需要花费许多时间需要消耗许多电力,而切换算法在神经拟态芯片Loihi上做可以更快、功耗更低。

类脑盘算何时真正靠近于人脑?

盘算机在不停接人脑的维度上,现在走到了哪一步?若是我们用小溪、小河到大海来形容现在走到了哪一个水平?还要突破哪些屏障才气真正走到大海?

“这对照难给出确切谜底。”宋继强说,一方面由于人类对于大脑的领会和认知希望并不像摩尔定律的那样高速,它的希望异常缓慢。现在对于神经元结构基本领会,对于某些人的感知机理也有领会,特别像视觉、听觉、嗅觉这些对照主要的感知机理有所领会,但其他更深条理的感知、认知是怎么形成依然不领会。不外现在Loihi设计用的对照复杂的脑神经元的事情模子,这是我们首先可以借鉴的。另一方面在器件上,人脑的事情方式和传统的半导体的事情机理也并不完全一样,以是我们也在做新的底层器件研发,好比忆阻器,既可以存储也可以盘算的一种器件。

不外,宋继强进一步示意,除了我们对人脑的认知机制与事情机制的领会需要继续推进,我们还需要换一个维度,从超出人脑来看IT能够带来什么。“我们说人脑很神秘、很厉害,然则毕竟是一个生物组织,有它的极限。我现在手里有一个更强的武器好比IT、半导体、量子盘算等工具,它会有比人脑更强的能力。”若何行使这些器械、行使这些芯片与人脑的研究相连系、跨学科连系就能够更好地往前推进。

“最主要的是需要找到很好的应用导向。”宋继强示意,好比英特尔对于Loihi研究, Loihi的主要孝敬一方面它是新的架构设计,实现了大规模集连,而且把工具链做起来了。另一方面是Loihi构建了一个社区(英特尔神经拟态社区INRC),社区中不仅有所类脑神经拟态盘算研究的学术机构,也吸纳进来异常多差别种类的创业公司、五百强企业,希望通过探索看看这样的神经拟态盘算能够很好地解决哪些应用领域问题,由此来驱动神经拟态盘算的生长。就像2012年深度学习在学术界崭露头角之后,于2016、2017年在产业界大规模使用于安防领域、生物认证领域、金融领域等,以这样的生长路径能够形成从手艺到规模化应用的生态。“这是一个并行生长而不是线性生长的事情,以是很难给你一个展望时间。” 宋继强同时示意神经拟态芯片在英特尔的芯片结构中属于研究测试芯片,不是一个产物芯片,主要是在服务研究社区。未来若是有更大规模的商业应用场景,不清扫将其通用化。

神经拟态芯片取得重大突破,对<a href=AI有何意义?.jpg” class=”aligncenter”>

声明: 本文由入驻基智地平台的作者撰写,观点仅代表作者本人,不代表基智地立场;基智地发布此信息的目的在于传播更多信息,与本站立场无关。