深度學(xué)習(xí)正遍地開花，但它可能并非人工智能的終極方案。無論是學(xué)術(shù)界還是產(chǎn)業(yè)界，都在思考人工智能的下一步發(fā)展路徑：類腦計(jì)算已悄然成為備受關(guān)注的“種子選手”之一。

　　12月16日至17日，由北京未來芯片技術(shù)高精尖創(chuàng)新中心及清華大學(xué)微電子學(xué)研究所聯(lián)合主辦的“北京高精尖論壇暨2019未來芯片論壇”在清華大學(xué)舉行，這次論壇上，類腦計(jì)算成為多位權(quán)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(jì)算又被稱為神經(jīng)形態(tài)計(jì)算（Neuromorphic Computing）。它不僅是學(xué)術(shù)會(huì)議關(guān)注的新熱點(diǎn)，產(chǎn)業(yè)界也在探索之中。

　　11月中旬，英特爾官網(wǎng)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(jīng)形態(tài)研究共同體（INRC），該共同體目前已擁有超過75個(gè)成員機(jī)構(gòu)。

　　如果說，當(dāng)下人工智能發(fā)展浪潮正波濤洶涌的話，類腦計(jì)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?nèi)斯ぶ悄馨l(fā)展趨勢(shì)。

　　原因之一是，深度學(xué)習(xí)雖在語音識(shí)別、圖像識(shí)別、自然語言理解等領(lǐng)域取得很大突破，并被廣泛應(yīng)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(jī)一樣，但現(xiàn)在顯然還達(dá)不到。因?yàn)樗鼘?duì)信息的智能判斷和分析不夠，功耗也非常高。”清華大學(xué)微納電子系教授吳華強(qiáng)告訴科技日?qǐng)?bào)記者，人工智能算法訓(xùn)練中心在執(zhí)行任務(wù)時(shí)動(dòng)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(dāng)于20瓦左右。

　　北京大學(xué)計(jì)算機(jī)科學(xué)技術(shù)系教授黃鐵軍也舉了一個(gè)生動(dòng)的例子：市場(chǎng)上應(yīng)用深度學(xué)習(xí)技術(shù)的智能無人機(jī)已經(jīng)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(yuǎn)，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(jì)算，它又憑什么贏得學(xué)術(shù)界和產(chǎn)業(yè)界的寵愛？

　　“類腦計(jì)算從結(jié)構(gòu)上追求設(shè)計(jì)出像生物神經(jīng)網(wǎng)絡(luò)那樣的系統(tǒng)，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(jīng)形態(tài)計(jì)算。”黃鐵軍接受科技日?qǐng)?bào)記者采訪時(shí)說。

　　類腦計(jì)算試圖模擬生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和信息加工過程。它在軟件層面的嘗試之一是脈沖神經(jīng)網(wǎng)絡(luò)（SNN）。

　　現(xiàn)在深度學(xué)習(xí)一般通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）或遞歸神經(jīng)網(wǎng)絡(luò)（RNN）來實(shí)現(xiàn)。“CNN和RNN都屬于人工神經(jīng)網(wǎng)絡(luò)，其中的人工神經(jīng)元，至今仍在使用上世紀(jì)40年代時(shí)的模型。”黃鐵軍說，雖然現(xiàn)在設(shè)計(jì)出的人工神經(jīng)網(wǎng)絡(luò)越來越大，也越來越復(fù)雜，但從根本上講，其神經(jīng)元模型沒有太大改進(jìn)。

　　另一方面，在深度學(xué)習(xí)人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元之間的連接被稱為權(quán)值。它們是人工神經(jīng)網(wǎng)絡(luò)的關(guān)鍵要素。

　　而在脈沖神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元之間卻是神經(jīng)脈沖，信息的表達(dá)和處理通過神經(jīng)脈沖發(fā)送來實(shí)現(xiàn)。就像我們的大腦中，有大量神經(jīng)脈沖在傳遞和流轉(zhuǎn)。

　　黃鐵軍告訴記者，由于神經(jīng)脈沖在不停地傳遞和流轉(zhuǎn)，脈沖神經(jīng)網(wǎng)絡(luò)在表達(dá)和處理信息時(shí)，比深度學(xué)習(xí)的時(shí)間性更突出，更加適合進(jìn)行高效的時(shí)空信息處理。

　　推廣應(yīng)用可能不需太久

　　也有人從硬件層面去實(shí)現(xiàn)類腦計(jì)算，比如神經(jīng)形態(tài)芯片。

　　2019年7月，英特爾發(fā)布消息稱，其神經(jīng)形態(tài)研究芯片Loihi執(zhí)行專用任務(wù)的速度可比普通CPU快1000倍，效率高10000倍。

　　“在對(duì)信息的編碼、傳輸和處理方面，我們希望從大腦機(jī)制中獲得啟發(fā)，將這些想法應(yīng)用到芯片技術(shù)上，讓芯片的處理速度更快、水平更高、功耗更低。”吳華強(qiáng)也在進(jìn)行神經(jīng)形態(tài)芯片相關(guān)研究，他告訴科技日?qǐng)?bào)記者。

　　吳華強(qiáng)介紹，在傳統(tǒng)的馮·諾依曼架構(gòu)中，信息的處理和存儲(chǔ)是分開的，而人的大腦在處理信息時(shí)，存儲(chǔ)和處理是融為一體的。

　　“所以我們?cè)趪L試研發(fā)存算一體化的芯片，希望通過避免芯片內(nèi)部不停地搬運(yùn)數(shù)據(jù)，來大幅提高芯片的能效比。”吳華強(qiáng)說，他的團(tuán)隊(duì)現(xiàn)在也已研發(fā)出存算一體的樣品芯片。

　　談到類腦計(jì)算的進(jìn)展，黃鐵軍告訴記者，目前類腦計(jì)算仍在摸索階段，還缺乏典型的成功應(yīng)用。但商業(yè)公司已經(jīng)嗅到味道，相關(guān)技術(shù)獲得規(guī)模性應(yīng)用可能不需要太長(zhǎng)時(shí)間。

　　“現(xiàn)在的神經(jīng)形態(tài)計(jì)算還比較初步，它的發(fā)展水平跟現(xiàn)有主流人工智能算法相比，還存在一定差距。”中科院自動(dòng)化所研究員張兆翔接受科技日?qǐng)?bào)記者采訪時(shí)認(rèn)為，但作為一種新的探索方式，應(yīng)該繼續(xù)堅(jiān)持，因?yàn)樗赡芫褪俏磥砣斯ぶ悄芗夹g(shù)發(fā)展的重要突破口。