[科学技术]靠一种样本学习多种气味，神经拟态芯片拉近 AI与人脑距离

《科技日报》记者柳岩

除了看和听，还可以“闻”。最近，一直致力于模仿人类五官的人工智能有了新的突破。人工智能通过神经模拟芯片，掌握了丙酮、氨、甲烷等十种气味的神经表征，强环境干扰不影响其对气味的准确识别。这项由英特尔研究院和康奈尔大学研究人员共同参与的研究结果最近发表在《自然机器智能》杂志上。

神经imesis是指通过模拟人脑神经元的工作机制，使计算机具有与人类相同的自然智能特征。根据Intel发布的另一项研究，pohoiki springs是将上述768个神经模拟芯片集成到5个标准服务器大小的机箱中形成的神经模拟系统，相当于一个拥有1亿个神经元的大脑，相当于一个小型哺乳动物大脑中的神经元数量。

芯片堆叠而成的神经模拟系统，似乎给了我们“机器可以和人一样聪明”的希望。神经模拟芯片和大规模集成系统的就绪，是否意味着“强认知、小样本学习”的神经模拟计算有大规模商用的可能？

神经模拟训练不需要大量样本

目前，深度学习算法作为实现人工智能的重要技术手段，广泛应用于各种人工智能成果中。对于深度学习算法支持的人工智能成果，数据可以说是研究的血液。数据量越大，数据质量越高，深度学习的性能越好。然而，在许多研究环境中，由于隐私和客观条件，有效的数据很难获得。

“深度学习虽然取得了很大的进步，但仍然局限于图像和声音的分类识别。”英特尔中国研究院院长宋继强表示，人类的视觉和语音数据容易获取和标注，符合深度学习的必要条件。研究和应用都比较成熟，但对味觉和嗅觉的研究却不那么乐观。

对于传统的人工智能，主流的深度学习方法可能需要设置几亿个参数，训练几十万次才能区分猫狗的区别，更不用说陌生的气味识别领域了。然而，即使是几岁的婴儿，也只需要他们几次就能识别动物和气味。

普通人被训练分辨三四百种和几千种气味，但现实世界能分辨一万多种气味。

为了模拟人脑在嗅觉时的运行机制，研究人员使用了一套来源于人脑嗅觉回路结构和动力学的神经算法来训练神经模拟芯片。只需一个样本，神经模拟芯片就可以学会识别每种气味，而不会破坏它对所学气味的记忆。

宋继强说，即使是最先进的深度学习解决方案，也需要3000多个训练样本才能达到与神经模拟芯片相同的分类精度。
“了解大脑的神经网络如何解决这些复杂的计算问题，将为设计高效、强大的机器智能提供重要启示。”英特尔神经模拟计算实验室高级研究科学家纳比勒·伊玛目(Nabil Imam)表示，下一步是将这种方法推向更广泛的应用，包括从感官场景分析(理解你观察到的各种物体之间的关系)到规划和决策等抽象问题。
芯片有可能进化成人脑
瓢虫的大脑有25万到50万个神经元，蟑螂的大脑有100万个神经元，斑马鱼的大脑有1000万个神经元，小哺乳动物的大脑有1亿个神经元。
在自然界，即使是最小的生物也能解决极其复杂的计算问题。许多昆虫大脑中的神经元远小于100万，但它们可以实时跟踪物体、导航和躲避障碍物。然而，人脑是由860亿个相互连接的神经元组成的，这使得人工智能和人类一样聪明。
目前由上述两个神经模拟芯片组成的神经模拟系统中有26.2万个神经元，相当于拥有一只瓢虫的智慧，而由768个神经模拟芯片组成的神经模拟系统的智慧赶上了仓鼠。

如果神经元的组织方式决定了大脑的思维方式，实现了神经模拟计算，那么就需要构建一个计算芯片来模拟大脑中神经元的工作。宋继强说:“我们试图观察、学习和理解大脑的运作，并把它复制到计算机芯片上。”

德国海德堡大学的物理学家卡尔·迈耶是神经模拟工程师的领导者。在他看来，人脑有三个特点:低功耗、容错、不需要编程。虽然人脑的功率只有20瓦左右，而且一直在失去神经元，但并不影响它对世界的运作、理解和反应。相比之下，试图模拟人脑的超级计算机必须预设算法，这通常需要数百万瓦的功率。失去一个晶体管可以摧毁一个微处理器。
宋吉强说:“深度学习的力量越来越高。现在一个图像识别模型就算训练出来也要几千瓦，消耗已经成为大规模ai部署的障碍。”
和具有集成存储和计算结构的loihi节省了传统计算架构中处理单元和存储器之间通信的时间和功耗。
2017年，世界上第一个自主学习的神经模拟芯片loihi问世，包含13万个神经元和1.28亿个突触，使芯片向人脑进化成为可能。
如果深度学习是让机器学习通过大量的标注数据来解决某个问题，比如alphago在学习象棋之前只能玩围棋。神经模拟计算通过模拟人脑神经元的工作机制，使人工智能不局限于某一领域。

在loihi展示的各种能力中，不仅包括实时识别手势、用新的人工皮肤阅读盲文，还包括通过自主学习获得视觉地标来确定方向和学习新的气味，上述每项功能仅消耗几十毫瓦。
这一突破为科学研究所需的自主互联的实时动态数据处理新方法奠定了基础，拓展了蓬勃发展的边缘计算的应用前景。

商用需要通用计算架构
经过深度学习和机器学习，神经模拟计算被认为是将人工智能推向新阶段的重要手段。虽然量子计算也擅长大规模计算，而且在某些任务上，理论上的可扩展性甚至超过了神经模拟系统，但是与神经模拟计算相比，量子计算离商用还很远。
事实上，虽然一些研究机构已经展示了神经模拟计算的许多应用，但要实现大规模商业化，还需要解决普适性不足的问题。
“我们要等好几年才能把产品推向市场。”英特尔神经模拟计算实验室主任迈克·戴维斯说，我们真正感兴趣的是找到一种像冯·诺依曼架构一样通用的新计算架构。这是真正扩展适用的通用计算产品组合的开始。
研究机构gartner预测，2025年，神经模拟芯片有望取代GPU，成为高级人工智能部署的主要计算架构。
宋吉强并不完全赞同这种说法:“机器学习在很多领域仍然是最好的训练和学习方法之一。只有将多种技术灵活应用到人工智能领域，才能真正成为一个造福民生的行业。”
宋吉强强调，pohoiki springs等神经模拟系统还处于研究阶段，设计目的不是为了取代传统的计算系统，而是为研究人员提供开发和描述新算法的工具。