忘掉比特：新时代的电脑将能处理神经信号，像人脑那样。
文 | 光谱
神经网络——人工智能的背后技术，机器学习的实现方式，我们已经不能更熟悉。
尽管作为一项十分复杂的技术，想要形容它并不难：开发一种算法或者说软件，仿照人脑神经的连接结构设计它的工作方式。
但是，在一群人的眼中，人工神经网络仍然不是对人脑最准确的还原。问题就在于，运行这些神经网络的仍然是普通的计算机，比如 CPU、GPU、TPU、FPGA 等。这些集成电路，运行的机理仍然是比特，也即晶体管通电和断电的表示，一种电脑能够理解的状态区别。
在包括人在内的大部分生物的大脑当中，并没有和比特对等的存在。大脑压根就不是用1和0去理解事物的。而现在计算机在极端复杂的常规计算任务上性能都远超人类，却似乎无法逾越一些“上帝”设计的障碍，比如获得意识、理解感觉等。不仅如此，人类想要获得一些新的能力只需要很短时间，对于神经网络却需要大量的训练。
这群人坚持另一种思路：神经形态计算 (neuromorphic computing) 。简单来说：人造大脑。
英特尔不是第一个在做神经形态计算的科技公司，事实上 IBM 和康奈尔大学在2014年就在做类似的事情了。不过，最近英特尔在神经形态计算上取得了重要的进展。
上周，该公司发布了首个人造的大规模神经形态计算系统，代号 Pohoiki Beach。这个系统的核心是英特尔在2017年制成的神经形态处理器 Loihi，一共由64块组成。
Loihi 处理器放置在名为 Nahuku 的电路板上。一块电路板可以放置不等数量的处理器。一台 Pohoiki Beach 由64枚 Loihi 处理器组成。
Loihi 神经形态计算处理器
虽然 Loihi 看起来仍然是一块普通的芯片，连封装方式看起来都没有任何区别，实际上，它的工作方式和普通芯片有着巨大的差异。
前面提到，无论通用用途的 CPU，还是面向图形计算以及神经网络计算优化的 GPU 和 GPGPU，它们编码数据的方式都是比特，也即二进制数位，也即“开”和“关”的两种状态。
而 Loihi 并不是随便一块“面向人工智能定制”的处理器——它压根就不是用比特来编码数据的：每一块 Loihi 内部拥有多达13万个人造神经元，这些神经元之间的接触点（生物学称之为突触）储存“神经冲动”(neural spike) 信号的形状和频率，和人脑神经元突触的工作原理极为相似[1]。
简单来说，人工神经网络在软件架构上模仿人脑，而 Loihi 以及目前主流的神经形态计算设备，追求的是在硬件设计上也模仿人脑。
整个 Pohoiki Beach 的神经元数量超过了832万。根据动物神经元数量排名的维基百科条目[2]，Pohoiki Beach 的神经元数量已经超过果蝇、蚂蚁，达到了人称“水中小白鼠”的斑马鱼水平。
跟许多公认具有一定智力的的非智能生物相比，英特尔目前取得的神经元量级仍然少得可怜。不过，这个神经形态计算架构的一个最大优势，就是可扩展性极强。
去年年底，加拿大滑铁卢大学的研究人员用两个语音关键词识别器（深度分别为2层和100层的神经网络）对 Loihi 处理器以及 CPU、GPU 等常规芯片进行了跑分。
他们发现，在同一个两层神经网络上，Loihi 的能耗不到 GPU 的百分之一，甚至比专门设计用于低功耗神经网络推理的 asic（英特尔神经网络计算棒）还要低。
而当神经网络层数增加到100（50倍），Loihi 的能耗仅增加了30%，且继续保持实时计算的能力；而对标的低功耗处理器能耗增加到了500倍，且无法保持实时能力。
Nahuku 电路板
拥有多达64块 Loihi 处理器的 Pohoiki Beach，让神经形态计算的功耗和实时性优势进一步扩大。英特尔认为，神经形态计算这一技术，将会给非监督学习、视觉空间定位 (SLAM) 和路径规划等领域的研究者带来效率上的巨大帮助。
总结来说，在神经形态计算的架构上训练神经网络所实现的高可扩展性和速度，是在常规架构（CPU、GPU 和各种 FPGA）上无法比拟的。
去年，英特尔成立了围绕神经形态计算的研究计划，正在各行各业里寻找该技术的使用场景。值得庆祝的是，在桌上足球 (foosball) 和机械义肢等领域上，神经形态计算已经证明了其强大的适应能力。
下图中，义肢上安装了基于 Loihi 处理器的动作控制器件。佩戴者走路时遇到突发情况，义肢能够更快对环境作出判断，在一定程度上模仿人脑“下意识”的神经活动，让佩戴者轻松保持平衡。
b
英特尔目前仍在继续堆高神经元量级，已经宣布计划在今年年底发布具有1亿神经元的神经形态计算系统 Pohoiki Springs——这个量级已经达到了鼹鼠的水平，但距离拥有860亿神经元，且连接复杂程度在已知现存生物中排名第一的人类还很远。
不过至少可以确定的是，人类在用无机的电路模拟有机的神经元上面迈出了重要的一步。
与此同时我们也不能忽视的是，机器智能追赶人类的脚步也正在加快。而离那个似乎注定的未来越近，人类越需要建立足够的机制，确保这一进程不会导致自己的灭亡。
[1] Intel’s New Self-Learning Chip Promises to Accelerate Artificial Intelligence https://newsroom.intel.com/editorials/intels-new-self-learning-chip-promises-accelerate-artificial-intelligence/#gs.rawxky
[2] List of animals by number of neurons https://en.wikipedia.org/wiki/List_of_animals_by_number_of_neurons?oldformat=true
喜欢这篇文章？
1）点击右下角的“好看”，让更多人看到这篇文章
2）分享到你的朋友圈和群里
3）赶快关注硅星人吧！
硅星人：（ID：guixingren123）
从科技到文化，从深度到段子，硅星人为你讲述关于硅谷的一切。