深度學習正遍地開花，但它可能并非人工智能的終極方案。無論是學術界還是產業(yè)界，都在思考人工智能的下一步發(fā)展路徑：類腦計算已悄然成為備受關注的“種子選手”之一。

12月16日至17日，由北京未來芯片技術高精尖創(chuàng)新中心及清華大學微電子學研究所聯(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(tài)計算（Neuromorphic Computing）。它不僅是學術會議關注的新熱點，產業(yè)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(tài)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(fā)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(fā)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(xiàn)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?！鼻迦A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(zhí)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(yè)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(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，也稱神經形態(tài)計算?！秉S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(xiàn)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(xiàn)。“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(xiàn)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(fā)送來實現(xiàn)。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(xiàn)類腦計算，比如神經形態(tài)芯片。

2019年7月，英特爾發(fā)布消息稱，其神經形態(tài)研究芯片Loihi執(zhí)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(fā)，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?！眳侨A強也在進行神經形態(tài)芯片相關研究，他告訴科技日報記者。

吳華強介紹，在傳統(tǒng)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(fā)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?！眳侨A強說，他的團隊現(xiàn)在也已研發(fā)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(yè)公司已經嗅到味道，相關技術獲得規(guī)模性應用可能不需要太長時間。

“現(xiàn)在的神經形態(tài)計算還比較初步，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?！敝锌圃鹤詣踊芯繂T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(xù)堅持，因為它可能就是未來人工智能技術發(fā)展的重要突破口。