清华大学研究团队发布最新研究成果“天机芯”

清华大学的研究团队发布了一项最新研究成果——类脑计算芯片“天机芯”。该芯片是面向人工通用智能的世界首款异构融合类脑计算芯片。基于此研究成果的论文“面向人工通用智能的异构天机芯片架构”(Towards artificial general intelligence with hybrid Tianjic chip architecture)作为封面文章登上了8月1日《自然》(Nature)杂志。

正当福特、通用汽车和Waymo等企业巨头竭力让各自的自动驾驶汽车上路行驶，中国的一个研究团队却打造出了一辆加强了马力的自行车，对自动驾驶交通工具进行重新思考。

在没有人在上面骑行的情况下，这辆自行车可以自行越过凸起的地方，完全没有失去平衡。当跟在它后面走的人说“向左”时，它就会向左转弯，然后调整好前进方向。

它也有“眼睛”：它可以跟着跑在前面几码远的人走，每次这个人转向的时候，它也会跟着转向。如果遇到障碍物，它也能够自动绕过转向一边，保持着平衡，继续跟随前面的人。

这不是世界上第一辆自动驾驶自行车(康奈尔大学正在进行一个相关的项目)，也许也称不上是未来的交通工具。不过，它或许可以在未来挤满了运送包裹的车辆、无人机和机器人的世界里占得一席之地。而制造这辆自行车的中国研究人员认为，它展示了计算机硬件的未来。它借助一种模仿人类大脑的神经形态计算芯片穿梭于这个世界。

在周三发表在《自然》上的一篇论文中，清华大学的研究人员描述了这种芯片可如何帮助机器对语音指令做出反应，识别周围的世界，避开障碍物，维持平衡。研究人员还提供了一段视频，展示了这些技能在电动自行车上的应用。

该简短的视频并没有显示出这辆自行车的局限性(估计偶尔会翻倒)，就连制造这辆自行车的研究人员也在给《纽约时报》的一封电子邮件中承认，视频上展示的技能或许可以用现有的电脑硬件复制过来。但在用神经形态处理器处理所有这些技能的过程中，该项目强调了业界用新型芯片推动人工智能技术更上一层楼的广泛努力。

这一努力贯穿不计其数的初创公司和学术实验室，以及诸如谷歌、英特尔和IBM的知名科技公司。正如《自然》杂志的那篇论文所显示的，这一运动在中国可谓如火如荼，虽然这个国家几乎没有自己设计计算机处理器的经验，但它已经在“人工智能芯片”概念上倾注了巨大的资源。

人们希望，这种芯片最终能让机器以一种前所未见的自动化方式穿梭于这个世界。现有的机器人能够学习开门或将乒乓球扔进塑料垃圾桶，但这种训练需要数小时甚至数天的反复试验。即便如此，这些技能也只有在非常特殊的场景中才可行。在神经形态计算芯片和其他的新型处理器的帮助下，机器或许能够更有效地学习更复杂的任务，能够更加从容地执行这些任务。

“那是让我们看到巨大发展前景的领域。”英特尔负责神经形态芯片研发工作的迈克·戴维斯(Mike Davies)表示。

神经网络的局限性

在过去的十年里，人工智能已经加速发展，这要归功于神经网络：能够通过分析大量数据来学习任务的复杂数学系统。例如，通过分析数千张猫的照片，神经网络能够学会识别猫。

这种技术如今被用于日常生活的多个方面，比如识别你在Facebook上发布的照片中的人脸，识别你对着智能手机发出的语音指令，在微软Skype等互联网服务上翻译多国的语言。它也在加速包括自动驾驶汽车在内的自动化机器人的发展。但它也面临着不小的局限性。

神经网络并不是真正的动态学习。在让神经网络系统到现实世界执行特定的任务之前，工程师们要事先对它进行训练，没有经过大量的案例学习，它就无法学会执行它被委派的任务。旧金山人工智能实验室OpenAI最近开发的一个系统，可以在名为Dota 2的复杂视频游戏中打败世界上最好的人类玩家。但该系统最初足足花了几个月时间来跟自己对练，算力上的消耗达到数百万美元。

神经形态处理器

研究人员的目标是，建立能够像人们那样学习技能的系统。这就需要新型的计算机硬件。数十家公司和学术实验室目前正在开发专门用于训练和操作人工智能系统的芯片。最雄心勃勃的项目是神经形态处理器，其中包括清华大学正在开发的天机芯片。

这种芯片被设计来模拟大脑中的神经元网络，它与神经网络相似，但至少在理论上有着更高的保真度。

神经形态芯片通常包括数十万个人造神经元，这些神经元不只是处理“1”和“0”，而是通过交换微小的电信号脉冲来运作，只有当输入信号达到临界阈值时才会“放电”或“尖峰放电”，就像生物神经元那样。

Rain Neuromorphics是一家初创公司，正致力于开发一种神经形态芯片。它的首席执行官戈登·威尔逊(Gordon Wilson)说，“这是在试图把计算机科学和神经科学连接起来，并把它们统一起来。”

神经形态芯片绝不是大脑的再创造。在很多方面，大脑的运作仍然是未解之谜。但这种芯片的希望在于，通过更像大脑那样运作，它们可以帮助人工智能系统学习技能，以及更有效地执行任务。

由于每个人造神经元只会按需放电，而不是连续放电，神经形态芯片比传统处理器消耗的能量更少。而且，考虑到它们的设计初衷是在短时间内处理信息，一些研究人员认为，它们有望让系统能够从更少的数据中实时学习。

视频中的自动驾驶自行车并没有在学习;它只是在执行经过训练的软件来处理特定的任务，包括识别语音和避免障碍物。但它正在以一种高效的方式执行软件，这对依靠电池供能的汽车非常重要。研究人员认为，他们最终将能够把训练过程和瞬间执行结合起来，这样自行车只需要积累几分钟的经验就可以边走边学。

问题在于，制造合适的硬件可能至少需要几年的研究。“我们仍处于试验和错误阶段。”曾参与英特尔神经形态芯片项目的乔治奥斯·迪莫(Georgios Dimou)说道。