麻省理工研究人員推出基於神經網路的晶元設計，助力人形機器人和自動駕駛技術發展

雖然機器學習的速度在過去十年中有所加快，但機器學習的底層硬體並沒有太大變化，如計算機處理單元(CPU)和圖形處理單元(GPU)。

機器學習的最前沿是一個叫做神經形態計算的領域，試圖使計算機晶元更像人腦，因此計算機能夠以閃電般的速度處理多個模式和學習任務。今年早些時候，麻省理工學院的研究人員推出了一種革命性的基於神經形態的晶元設計，可以代表人工智慧技術的下一個飛躍。

這個被稱為「晶元大腦」的硬體是模擬神經突觸而設計的，而目前的晶元基於二進位和開/關信令進行計算。相反，基於神經形態的晶元以模擬方式工作，以不同的強度交換電脈衝，就像大腦中的神經元一樣。根據麻省理工學院的研究人員的說法，這是一個突破，超過100萬億個突觸參與了大腦中的神經元信號傳導。

麻省理工學院的研究發表在1月份的《自然期刊》雜誌上，展示了一種由硅鍺為物質材料並基於神經形態設計的晶元。想像一下窗口屏幕，你可以近似看到這個晶元在微觀層面的樣子，而且研究人員能夠精確控制電流強度。

麻省理工學院電子與微系統技術實驗室研究實驗室的教授兼首席研究員Jeehwan Kim指出，基於超級計算機的神經網路操作非常精確且非常有效，但它消耗大量電力並且大量佔用空間。

但是，這樣的晶元設計可以使處理器能夠以極低的能量需求執行機器學習任務，它可以快速推進人形機器人和自動駕駛技術的發展。

另一個優點是節省成本並提高便攜性。小型神經形態晶元功率更小，甚至可能縮小1000倍，同時有效地同時處理數百萬次計算，目前只有大型超級計算機才能做到。Intersect360 Research的首席執行官Addison Snell表示，同時也是研究高性能計算的行業分析師，這正是人們所設想的晶元，隨著時間的推移會讓許多電子產品變得非常便攜。」

目前機器學習晶元市場規模非常龐大。去年，根據Intersect360的研究報告，市場價值接近45億美元，而基於神經形態的晶元只是其中一部分。據德勤稱，今年可能會售出不到1萬個神經形態晶元，而預計2018年將銷售超過50萬個GPU。

GPU最初是由英偉達Nvidia於20世紀90年代開發的。最終，研究人員發現GPU在通過模擬神經網路支持機器學習方面非常有效，模擬神經網路在超級計算機上運行，??並幫助近期完成主要部分的培訓和推理任務。例如，如果你想建立一個知道什麼是什麼以及什麼不是老虎的圖像識別系統，你首先要給機器提供數百萬個被人類標記為老虎或非老虎的圖像，用這些圖像訓練計算機。下次系統顯示老虎的照片時，它將能夠推斷出圖像確實是老虎。

近年來，小型初創公司和大公司都在修改其晶元架構，以滿足新的人工智慧工作負載的需求，包括自動駕駛和語音識別。兩年前，根據德勤的說法，幾乎所有涉及神經網路的機器學習任務都使用了大量的GPU和CPU。今年，新的晶元設計，如FPGA(現場可編程門陣列)和ASIC(專用集成電路)，在處於數據中心的機器學習晶元中佔據了更大的份額。

根據德勤今年發布的市場分析報告，這些新型晶元應該大大提高機器學習的使用率，使應用程序消耗更少的功率，同時變得更具響應性、靈活性和能力。

基於神經形態的晶元代表了下一個飛躍，尤其是基於縮小晶體管的前提下的晶元架構已經開始減速。儘管自20世紀80年代以來神經形態計算已經存在，但它仍然被認為是一個新興領域，而在過去十年中它已經引起了研究人員和科技公司的更多關注。

IBM阿爾馬登研究院腦啟發計算首席科學家 Dharmendra S. Modha表示，神經形態晶元的強大功能和性能遠遠優於我們在任何平台上可以預期的任何解決方案。Modha在2004年啟動了IBM自己的神經形態晶元設計項目，部分由國防高級研究計劃局資助。IBM研究人員經過長達數年的努力研發出了TrueNorth晶元，尺寸相當於一張郵票，功率只有70毫瓦。

另外，Modha並不認為神經形態晶元將取代傳統晶元，但相信前者將成為自動駕駛汽車和機器人技術的關鍵技術。自動駕駛汽車必須實時處理信息以防止發生事故，小型攜帶型神經形態晶元將起到很好的作用。實際上，研究人員正在採用深度神經網路技術並將其嵌入到單個晶元中。然而，目前的神經形態技術遠非如此。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！