|
海归学者发起的公益学术平台 分享信息，整合资源 交流学术，偶尔风月 上周发表的一项新研究展示了一种新型芯片，该芯片结合了以神经科学为基础的类脑计算和基于计算机科学的机器学习算法，而这种融合技术有望进一步促进通用人工智能的发展。目前，该芯片已被运用于一个无人自行车系统进行能力试验。试验中，无人自行车不仅可以识别语音指令、实现自平衡控制，还能对前方行人进行探测和跟踪，并自动避障。本研究由清华大学施路平教授、裴京副研究员及其团队协作完成，相关论文发表在《自然》杂志上。 通用人工智能（Artificial General Intelligence, AGI）是指一种智力水平与人类不分伯仲的人工智能。原则上，通用人工智能平台可以执行人类能够完成的所有任务。目前，通用人工智能有两种研究路径：计算机科学导向和神经科学导向。 神经科学导向的AGI方法追求无限度地模仿人的大脑。这种方法研究观察了记忆和计算之间的紧密相互作用，运用脉冲进行编码、制定学习规则。其代表为第三代神经网络——脉冲神经网络（Spiking Neural Networks, SNN）。相比之下，面向计算机科学的方法主要表现为在计算机上执行的显式算法。其代表是非脉冲式的人工神经网络（ANNs），属于第二代神经网络。ANNs在处理特定任务方面取得了实质性进展，如图像分类、语音识别、语言处理和游戏AI等领域。  虽然这两种方法都可以解决数据丰富的专门任务，但是要解决与多系统相关的、信息不完整的复杂动态问题，现有的技术仍然是无能为力。因此，为了进一步发展出智力可与人类比肩的AGI，目前的大趋势是将更多由生物学启发而来的模型或算法纳入主流人工神经网络，从而在SNN与ANNs构建起桥梁。但由于两套系统使用的平台各不相同且互不兼容，因此极大地限制了人工通用智能的发展。 在本次研究中，研究人员开发了一种混合式计算芯片，它可以适应同时面向计算机科学和神经科学的神经网络。设计出与各种神经模型和算法兼容的通用平台是一项基本挑战，而这挑战性在某些方面又尤其突出——比如ANN和SNN之间天然隔离。 ANN和SNN在信息表示、计算原理和记忆组织方面都具有不同的建模范例。而其中最根本的差异是，ANN以精确的多位值进行信息处理，而SNN却使用二进制脉冲序列。所以，为了在一个平台上实现两种模型，脉冲需要表示为数字序列，以便它们与数字编号的ANN编码格式兼容。  ANN计算模型与生物神经元计算模型 除此之外，还有几点差异也十分重要：首先，SNN在时空域中运行，这需要在一定时间内记忆历史膜电位和脉冲样式，而ANN在过程中累积加权并周期性地刷新信息。其次，SNN的计算包括膜电位积分、阈值交叉和电位复位，其由脉冲驱动。相比之下，ANN主要与密集的乘积累加运算（Multiply Accumulate, MAC）操作和激活变换相关。最后，SNN中的脉冲信息的处理需要可编程的存储器及额外的高精度存储器，而ANN仅需要用于激活存储和变换的存储器即可。当然，ANN和SNN之间也存在一些相似之处，这为模型实现融合留下了空间。  ANN和SNN实现路径之间的比较 在对不同系统进行详细比对之后，研究人员抽象统一了轴突、突触、树突、胞体和感知器等模块，设计了一种交叉范式的神经元方案。如下图所示：  在该方案的支持下创建的功能核心，是一种具有“ANN输入和SNN输出”或“SNN输入和ANN输出”能力的混合网络基元。换言之，一种可以充当ANN / SNN系统转换器的功能核心诞生了。本次研究发布的Tianjic芯片即由这种功能核心构成。Tianjic芯片由156个功能核心组成，包含大约40,000个神经元和1000万个突触。芯片采用28-nm处理技术制造，膜片区面积为3.8×3.8 平方毫米。Tianjic芯片凭借其分布式片上存储器和分散式多核架构，提供的内存带宽超过了610GB（每秒）。   Tianjic芯片和测试板及其布局视图 为了证明这种类脑跨范式系统的实用性，研究人员用芯片设计了一辆无人自行车。通过在一个Tianjic芯片内并行部署多个专用网络，自行车得以配备多种算法和模型。该无人自行车已能够执行实时物体检测、跟踪、语音命令识别、超速减速、避障、平衡控制等任务。 研究人员认为，本次研究将能够促进AGI的实现进程。施路平教授介绍说：“本次研究事实上包含了多重信息，它是‘脑和电脑’的融合；是计算和存储的融合，既有分离又有一体化；是时空复杂性和空间复杂性的融合；是空间编码和时间编码的融合。”在谈及本次研究与类脑的关系时，他表示：“类脑在本次研究中具有风向标的地位，自然界中唯一的AGI系统就是人脑，所以朝着这一方向进发，是研究中十分宝贵的方向感。” 但研究人员也表示，该工作还是十分初步的，还有很大的上升空间，而迭代更新的工作已经在着手进行中。据悉，现在该芯片技术已经在与部分公司进行产业合作。 学者介绍  施路平 清华大学特聘教授。清华大学类脑计算研究中心主任，清华大学光盘国家工程研究中心主任。为了克服冯诺依曼体系架构的瓶颈和人工通用智能的最终实现，施教授和他的团队研究类脑计算模型和算法、类脑芯片和类脑计算机，发展人工通用智能的基础理论和核心技术。  裴 京 清华大学仪器科学与技术研究所副研究员。主要从事光、机、电、计算机一体化技术设备研究工作，特别是在光存储技术、设备及其应用开发领域有独到的专长。在光电信号读取；高密度存储多元信号识别；精密数字伺服控制；数码调制解调；计算机接口；机电一体化等技术及应用领域取得显著成果。 |
|
|
