12月16日至17日，由北京未來芯片技術高精尖創新中心及清華大學微電子學研究所聯合主辦的“北京高精尖論壇暨2019未來芯片論壇”在清華大學舉行，這次論壇上，類腦計算成為多位權威專家熱議的人工智能研究方向。

人工智能浪潮下的洋流

類腦計算又被稱為神經形態計算(Neuromorphic Computing)。它不僅是學術會議關注的新熱點，產業界也在探索之中。

11月中旬，英特爾官網宣布了一則消息：埃森哲、空中客車、通用電氣和日立公司加入英特爾神經形態研究共同體(INRC)，該共同體目前已擁有超過75個成員機構。

如果說，當下人工智能發展浪潮正波濤洶涌的話，類腦計算就是浪潮之下的洋流。雖不太引人注意，未來卻有可能改變人工智能發展趨勢。

原因之一是，深度學習雖在語音識別、圖像識別、自然語言理解等領域取得很大突破，并被廣泛應用，但它需要大量的算力支撐，功耗也很高。

“我們希望智能駕駛汽車的駕駛水平像司機一樣，但現在顯然還達不到。因為它對信息的智能判斷和分析不夠，功耗也非常高。”清華大學微納電子系教授吳華強告訴科技日報記者，人工智能算法訓練中心在執行任務時動輒消耗電量幾萬瓦甚至幾十萬瓦，而人的大腦耗能卻僅相當于20瓦左右。

北京大學計算機科學技術系教授黃鐵軍也舉了一個生動的例子：市場上應用深度學習技術的智能無人機已經十分靈巧，但從智能程度上看，卻與一只蒼蠅或蜻蜓相差甚遠，盡管體積和功耗比后者高很多。

追求模擬大腦的功能

到底什么是類腦計算，它又憑什么贏得學術界和產業界的寵愛?

“類腦計算從結構上追求設計出像生物神經網絡那樣的系統，從功能上追求模擬大腦的功能，從性能上追求大幅度超越生物大腦，也稱神經形態計算。”黃鐵軍接受科技日報記者采訪時說。

類腦計算試圖模擬生物神經網絡的結構和信息加工過程。它在軟件層面的嘗試之一是脈沖神經網絡(SNN)。

現在深度學習一般通過卷積神經網絡(CNN)或遞歸神經網絡(RNN)來實現。“CNN和RNN都屬于人工神經網絡，其中的人工神經元，至今仍在使用上世紀40年代時的模型。”黃鐵軍說，雖然現在設計出的人工神經網絡越來越大，也越來越復雜，但從根本上講，其神經元模型沒有太大改進。

另一方面，在深度學習人工神經網絡中，神經元之間的連接被稱為權值。它們是人工神經網絡的關鍵要素。

而在脈沖神經網絡中，神經元之間卻是神經脈沖，信息的表達和處理通過神經脈沖發送來實現。就像我們的大腦中，有大量神經脈沖在傳遞和流轉。

黃鐵軍告訴記者，由于神經脈沖在不停地傳遞和流轉，脈沖神經網絡在表達和處理信息時，比深度學習的時間性更突出，更加適合進行高效的時空信息處理。

推廣應用可能不需太久

也有人從硬件層面去實現類腦計算，比如神經形態芯片。

2019年7月，英特爾發布消息稱，其神經形態研究芯片Loihi執行專用任務的速度可比普通CPU快1000倍，效率高10000倍。

“在對信息的編碼、傳輸和處理方面，我們希望從大腦機制中獲得啟發，將這些想法應用到芯片技術上，讓芯片的處理速度更快、水平更高、功耗更低。”吳華強也在進行神經形態芯片相關研究，他告訴科技日報記者。

吳華強介紹，在傳統的馮·諾依曼架構中，信息的處理和存儲是分開的，而人的大腦在處理信息時，存儲和處理是融為一體的。

“所以我們在嘗試研發存算一體化的芯片，希望通過避免芯片內部不停地搬運數據，來大幅提高芯片的能效比。”吳華強說，他的團隊現在也已研發出存算一體的樣品芯片。

談到類腦計算的進展，黃鐵軍告訴記者，目前類腦計算仍在摸索階段，還缺乏典型的成功應用。但商業公司已經嗅到味道，相關技術獲得規模性應用可能不需要太長時間。

“現在的神經形態計算還比較初步，它的發展水平跟現有主流人工智能算法相比，還存在一定差距。”中科院自動化所研究員張兆翔接受科技日報記者采訪時認為，但作為一種新的探索方式，應該繼續堅持，因為它可能就是未來人工智能技術發展的重要突破口。