石海明、曾华锋|| 类脑芯片：人类智慧的“终极复制”

昵称m5Gu5 2019-02-10

展开全文

类脑芯片：人类智慧的“终极复制”

石海明曾华锋

（国防科技大学）

（曾华锋、石海明：《科技兴军的逻辑》，国防科技大学出版社，2018.05）

2017年，美国空军研究实验室（AFRL）宣布将与美国IBM公司合作研发一个全新类脑超级计算机系统，该系统基于由64个IBM的“真北”（TrueNorth）类脑芯片组成的芯片阵列。“真北”类脑芯片是基于人脑启发而研制的，可以实时高效地将不同来源的图像、视频、音频和文字等数据转换为符号，因而在模式识别处理和集成传感处理上比由传统芯片构成的系统更高效。伴随着人工智能研发热度的持续升温，类脑芯片日益受到国际学术界、产业界及军方关注。如欧盟支持的高通公司研究的“认知计算平台”，可以融入到其量产的Snapdragon 处理器芯片中，并以协同处理的方式提升系统的认知计算性能。美国DARPA自2008年起就开始资助IBM公司研制面向智能处理的脉冲神经网络芯片；IBM公司在2014年曾发布名为“TrueNorth”的第二代类脑芯片，其神经元数量多达100万个，每秒可执行460亿次突触运算。

那么，类脑芯片由何而来？其优势何在？类脑芯片与人工智能是怎样的关联？

一、类脑智能高调来袭

人类曾尝试像鸟类般飞翔，于是制造了飞机，尽管飞机与鸟类差异巨大，但其背后的原理是一致的——利用空气浮力实现飞翔。从这个角度来看，我们确实可以说飞机是人对鸟的复制。而若将这种“复制”的理念运用到人工智能领域，或许我们可以说：“人工智能就是欲望和激情退后人类对自己的终极复制。”作为当前人工智能领域的热点之一，类脑智能与人类智能在信息处理机制与认知行为决策等方面有相似性，其最终目标是通过借鉴脑神经网络结构和信息处理机制，使机器以类脑的方式运行，达到或超越人类的智能水平。

当然，类脑智能并非近几年才被提出的一个流行词。早在1950年，艾伦·图灵（A.M.Turing）就在其论文《计算机器与智能》（Computing Machinery and Intelligence）中阐述了一种非定义式的研究方法，提到了类脑智能相关问题。到了20世纪80年代，多层神经网络和反向传播算法的出现，使人们重燃起类脑智能的火花；1998年，Yann LeCun和Yoshua Bengio发表的有关手写识别神经网络和反向传播优化的论文《Gradient-based learning applied to document recognition》，标志着新一代类脑智能——卷积神经网络时代的到来；2016年，Alpha Go 击败韩国围棋九段职业选手李世石，再次将类脑智能推向前台。与此同时，类脑智能的“战绩”仍在“不断被刷新”，2016年12月，牛津大学与谷歌公司等联合研发的自动唇读系统“LipNet”对BBC电视节目嘉宾进行唇语解读，准确率达到46.8％（唇语专家准确率为12.4％左右）；2017年5月，Alpha Go战胜当时围棋世界排名第一的柯洁；近日，麻省理工（MIT）的工程师设计的由硅锗制成的人造突触小芯片，能够在模拟仿真过程中识别手写样本，准确率达到95%。

如今，随着人工智能领域技术的不断突破，各国加大了有关类脑智能的研发力度，且在研究方向上各有侧重。欧盟“人脑计划”重点开展人脑模拟、神经形态计算、神经机器人等领域的研究，有核心项目和合作项目两类，核心项目由欧盟委员会资助，合作项目则吸引成员国机构、非政府组织参与，其“BRAIN计划”针对构建大脑结构图、神经回路操作工具开发等七大领域进行研发布局；美国主导类脑智能的基础与应用研究，知名大学、私营机构和工业企业等根据自身优势开展跨学科、跨部门、跨领域合作；日本类脑智能研究以国际电器通信基础技术研究所、国家级技术研究所和各大学相互协作的模式来开展跨学科研发，其“脑科学战略研究项目”重点开展脑-机接口、脑计算机研发和神经信息相关的科研攻关，按照科研路线图，该项目旨在15年内开发出各层次脑功能的超大规模模拟技术，并开展神经科学与数学、物理等基础科学的前沿交叉研究。

二、芯片再定义

类脑智能是人工智能研发的终极方向，无论是语音交互还是图像识别，抑或无人驾驶等，人工智能研发者无疑希望通过“复制”的方式让机器成为近似于人的存在或者创造出能够承载人类智慧的“超人”，这就需要给机器一个类似于人类大脑的容器——类脑芯片。其采用人脑神经元结构设计芯片来提升计算能力，以完全拟人化为目标，模拟人脑神经突触传递的结构。相较于传统的芯片而言，其特点主要表现在：运行效率高、架构设计精、学习能力强。

运行效率高。传统计算机主要是基于冯·诺依曼结构，它将程序和处理该程序的数据用同样的方式分别存储在两个区域，一个称为指令集，一个称为数据集。计算机每次进行运算时需要在CPU和内存这两个区域往复调用，而随着深度学习算法的出现，对芯片计算力的要求不断提高，这种计算方式的瓶颈就显现出来：当CPU需要依托大量数据执行一些简单指令时，数据流量将严重降低整体效率。而类脑芯片通过对大脑进行物理和生理解构，能够模拟神经元和神经突触功能，将数以亿计的光电器件按照人脑结构进行集成，并对整体任务进行优化分工，即每个神经元只负责一部分计算，这就从根本上提高了芯片的运行效率。

架构设计精。人脑最不可取代的便是其“随机应变”的处理能力，而人脑之所以具备这样的综合处理能力，就在于它拥有庞大的神经结构及上千亿神经元，且几乎所有的生物意识行为都源于此。传统芯片的存储器是以数据存储单元为核心的，相较之下，类脑芯片的机构则是一种拟人化的设计，其元件以模拟的方式进行工作，通过交换梯度信号或权重信号来激活，这类似神经元依靠流过突触的离子种类和数量来激活，它不仅能够模拟人脑功能进行感知、思考和行动，且还允许开发者为类脑芯片设计应用程序。

学习能力强。毫无疑问，传统芯片在处理大规模数据信息时有着天然的优势，但碰上“不确定性”思考时，则往往会表现得“不知所措”。从学习能力的角度分析，类脑芯片在仿脑计算方面逐渐显现的优势或许可被看成是该领域的一个研究标杆。仿脑算法目前的模型是LIF模型，通过简化神经元描述方程（HH方程）得来，HH方程是当前针对大脑行为描述最精准的方程。可以说，仿脑计算不但要从结构上模仿大脑，而且还要从神经元和突触的模型上模仿大脑，而这也可被视为深度学习的发展趋势。

三、窥探临界后的世界

我们之所以强调某项技术的临界点，根源在于其一旦到来就会对社会产生颠覆性作用，从根本上重构人与人、人与社会的关系。如果类脑智能的临界点确实存在，那我们就需要回到人工智能的终极理想来思考：未来到底会怎样？类脑智能可给人类带来一个怎样的世界？无疑，类脑芯片的工作方式正在不断接近人脑，这也是人工智能未来的突破点。如近年发展起来的脉冲神经网络（SNN），其神经元以电脉冲的形式对信息进行编码，就能够很好地编码时间信息，更接近真实神经元对信息的编码方式，也因此被认为是接近仿生机制的神经网络模型。

与此同时，嵌入类脑芯片的智能机器人将具有广泛应用价值。此种类脑智能机器人是融合了视觉、听觉、思考和执行等能力的综合智能系统，能以类脑的工作方式运行。其发展优势在于它既是对人的力量的强化，又是对人的智能的强化。然而，经历了长期的发展过程，人们形成共识的是：机器通常在动力、速度等方面具有一定优势，但在情感、感知等方面却存在欠缺。类脑智能机器人则是让这两个分支合流，从而实现人-机在真正意义上的互补融合。如在类脑机器人的研究过程中，为使类脑机器人具备针对复杂环境下物体的鲁棒识别能力，并有很好的泛化能力，而将人类的联想记忆机制、注意力调控机制、泛化学习与记忆机制引入到模型当中。2015年，瑞士洛桑理工学院就开发了一个有关神经系统仿真的类脑智能机器人，该机器人建立了数字化的老鼠大脑计算模型和虚拟老鼠身体模型，并将这两个模型结合起来模拟大脑和身体互动的神经机制，目前在模型中模拟出的小白鼠大脑神经元活动高达3.1万个。