神经形态对于人工智能的发展有没有影响

当苹果CEO库克介绍iPhoneX时，他声称这将“为未来十年的科技发展开辟道路”。虽然现在下结论还为时过早，但用于面部识别的神经引擎是同类产品中的首创。如今，深度神经网络已成为现实，而神经形态似乎是人工智能持续发展的唯一可行途径。

来自法国的YoleDeveloppement最近发表的一份报告称，面对数据带宽的限制和不断增长的计算需求，传感和计算必须通过模仿神经生物学架构来重塑自身。Yole的成像首席分析师皮埃尔坎布（PierreCambou）解释说，神经形态感知和计算可以解决人工智能当前的大部分问题，同时在未来几十年开辟新的应用前景。“神经形态工程是仿生的下一步，并推动人工智能的发展。”

为什么是现在

数学家艾伦·图灵提出“机器会思考吗？”三十年前，加州理工学院的电气工程师卡弗·米德引入了神经形态工程的概念。然而，在接下来的十年里，研究人员在制造具有类似大脑的学习和适应能力的机器方面几乎没有取得实际的成功。2006年，佐治亚理工学院（GeorgiaTech）展示了其现场可编程神经阵列，2011年，麻省理工学院（MIT）的研究人员展示了一种模拟大脑神经元如何适应新信息的计算机芯片。

转折点出现在多伦多大学的一组科学家发表的论文《深度卷积神经网络的ImageNet分类》。AlexNet架构由一个8层的卷积神经网络组成，使得将ImageNet竞赛中的120万张高分辨率图像分类为1000个类别（如猫、狗）成为可能。“只有随着AlexNet的发展，深度学习方法才被证明更强大，并开始在人工智能领域获得发展势头。”

目前大多数深度学习实现技术都依赖于摩尔定律，而且“它工作得很好”。“但是，随着深度学习的发展，对能够执行高计算任务的芯片的需求将会越来越大。”摩尔定律最近有所放缓，导致包括Yoledevelopment在内的许多业内人士认为，它将无法维持深度学习的进步。Cambou是那些相信深度学习“将会失败”的人之一，如果它继续以现在的方式实施的话。

为了解释他的观点，坎布列举了三个主要障碍。首先是摩尔定律的经济学。“很少有球员能够上场比赛，我们最终会有一两个晶圆厂在世界上超越7纳米。我们认为，只有谷歌才能做一些事情，这对创新是有害的。”

其次，数据负载的增长速度快于摩尔定律，数据溢出使得当前的内存技术成为一个限制因素。第三，计算能力需求的指数增长为每个应用程序创建了一道热障。“对于7纳米芯片，我们的效率大约是每瓦特1万亿次浮点运算。要驱动一个Waymo，我们可能需要1千瓦，这意味着我们需要1000万亿次浮点运算，”坎布说。目前的技术范式无法实现这一承诺，解决方案可能是在神经形态硬件上应用深度学习，并利用更好的能源效率。

Cambou表示，从更广泛的角度来看当前的情况，是时候采用一种颠覆性的方法了，利用新兴内存技术带来的好处，提高数据带宽和电力效率。这就是神经形态方法。“人工智能的故事将继续向前发展，我们相信，下一步将朝着神经形态的方向发展。”

近年来，有许多努力在建立神经形态硬件，传达认知能力，实现神经元在硅。对于Cambou来说，这是“神经形态的方法是滴答所有正确的方框”，并允许更大的效率。“硬件使神经网络和深度学习成为可能，我们相信它将使神经形态人工智能的下一步成为可能。然后我们可以再次梦想人工智能，梦想基于人工智能的应用程序。”

神经元和突触

神经形态硬件正在走出研究实验室，其兴趣和目标都集中在传感、计算和记忆领域。合资企业正在形成，战略联盟正在签署，长达10年的研究计划，如欧盟的人类大脑项目正在启动。

虽然在2024年之前不会有大的业务，但在那之后的几十年里，机会的规模可能是巨大的。据Yole说，如果所有的技术问题在未来几年内得到解决，神经形态计算市场将从2024年的6900万美元上升到2029年的50亿美元和2034年的213亿美元。这个生态系统是庞大而多样的，有像三星、英特尔和SK海力士这样的知名公司，也有像Brainchip、Nepes、Vicarious和GeneralVision这样的初创公司。

神经形态芯片不再是一个理论，而是一个事实。2017年，英特尔（Intel）推出了Loihi，这是该公司首款由13万个神经元组成的神经形态研究芯片。今年7月，圣克拉拉集团（SantaClaragroup）的800万个神经元神经形态系统（代号为PohoikiBeach）达到了一个新的里程碑，该系统由64块Loihi研究芯片组成。类似地，IBM的TrueNorthbrain-inspiredcomputerchip有100万个神经元和2.56亿个突触，而Brainchip的AkidaneuromorformaTIonsystem-on-chip有120万个神经元和100亿个突触。

“在提供硬件方面存在竞争，这将提高神经元和突触的标准。突触可能比神经元更重要。“在Yole，我们看到前面有两步。首先，将建立在当前方法上的应用程序，一部分是异步的，一部分来自冯·诺伊曼。Brainchip的Akida和英特尔的Loihi就是很好的例子。“然后，很可能在未来10到15年内，我们会在它上面加上RRAM（电阻式随机存取存储器）。这将创造出更多的突触。”

神经形态计算的努力来自像美光、西部数据和SK海力士这样的记忆体公司，但许多公司都在寻求更多的短期收益，最终可能不会成为神经形态研究的强大参与者。“我们应该关注那些选择神经形态作为核心技术的小公司，”坎布说。

一些初创公司正在把非易失性内存技术与神经形态计算芯片设计结合起来。它们与Crossbar和Adesto等纯存储初创企业一起出现，但人们通常认为，它们的记忆电阻（memristor，即内存电阻）方法比pu回放计算公司的努力更为长期。Cambou说：“许多内存播放器正在研究RRAM和相变存储器，以模拟突触。”此外，“MRAM［磁阻随机存取存储器］是新兴记忆的一部分，将有助于神经形态方法的成功。”

除了计算，一个神经形态感知生态系统已经出现，它源于1991年苏黎世联邦理工学院神经信息研究所的硅神经元。目前的竞争很弱，全球只有不到10家。其中，Prophesee、三星、Insightness、InivaTIon和Celepixel都在提供即时可用的产品，如基于事件的图像传感器和相机。在电影摄影中使用的基于框架的方法无法捕捉动作。

“电影在欺骗我们的大脑，但我们无法欺骗电脑，”坎布说。“唯一正确的方法就是给出眼睛正在给出的信息。基于事件的摄像机对于任何类型的实时运动理解和模式理解都非常强大。更广泛地说，听觉、图像和行为传感器“对我们所说的一般智力的各个层面都有影响”。

Yole表示，在封装半导体领域，其预计神经形态传感领域的投资将从2024年的4300万美元增至2029年的20亿美元和2034年的47亿美元。

不仅仅是汽车

坎布说，汽车可能是最明显的市场。然而，最初的市场是工业和移动的，主要用于机器人和实时感知。

短期内，神经形态传感和计算将被用于工业机器的实时监控。它还将在物流、食品自动化和农业方面发挥重要作用。Cambou说：“虽然深度学习需要大量的数据集，但神经形态学仅通过几张图片或几个单词就能快速学习并理解时间。”

在未来十年内，混合内存计算芯片的出现将打开汽车市场，迫切地等待大众市场的自动驾驶技术。“我们生活在一个交互的世界里，神经形态将在让计算机理解非结构化环境方面发挥强大的作用。”

来源：搜狐