神经拟态技能会与 AI 芯片形成竞争吗？_拟态_人工智能

乍看之下，这种新型的神经拟态（neuromorphic）芯片与人工智能加速器这一类似的尖端领域有几个共同点。
这两者都是为了处理人工神经网络而设计的，与 CPU 比较，这两者都供应了性能上的改进，而且都声称更为节能。

不过，这种相似性也就到此为止了：神经拟态芯片只为被称为脉冲网络（spiking networks）的分外神经网络而设计。
而且它们的构造与传统打算机中看到的任何构造都有着实质上的差异（没有什么比乘积累加运算（multiply-accumulate）单元更传统的了）。
随着新的运用和技能不断呈现，现在谈论这些设备的市场将会是什么样子的，可能还为时尚早。

《电子工程专辑》（EE Times）就这些技能是真正互补还是有所重叠这一问题，请教了多名领先人工智能加速器公司首席实行官。

最大的问题是，这些打算范式终极会不会进一步形成相互竞争的局势呢？

Intel 可不这么认为。
这家芯片巨子凭借其 Loihi 芯片在神经拟态打算研究方面的地位，以及凭借其数据中央 CPU 系列产品，加之收购了人工智能加速器公司 Habana Labs ，Intel 在人工智能加速领域独占鳖头。

Intel 的神经元打算实验室主任 Mike Davies 认为，神经拟态打算并不能直接与传统的人工智能加速器相提并论，比如 Habana Labs 开拓的那些加速器。
Davies 称：“与大数据、监督式学习问题比较，神经拟态打算在不同的制度、不同的打算利基中是有用的。
”

目前的人工智能加速器是为深度学习而设计的，深度学习须要利用大量的数据来演习大型网络。
这须要巨大的 I/O 带宽和内存带宽。

Davies 补充说，“神经拟态模型与此完备不同，它们处理的是单个数据样本……当真实天下的数据到达芯片时，须要以尽可能低的延迟和功耗立即进行处理。
”

“与边缘打算设备的深度学习人工智能芯片比较，边缘打算设备的不同之处在于，我们也在研究能够适应并能够实时学习的模型，这些模型是基于深度学习范式不太支持的单个数据样本天生的。
”

换句话说，Intel 的不雅观点是，“我们评论辩论的是针对完备不同类型的神经网络两种不同打算方法。
”

在人工智能加速器方面，Kalray 首席实行官 Eric Baissus 表示，他认为该公司的大规模并行处理器阵列（massively parallel processor array，MPPA）架构与一些新兴的神经拟态方法之间存在一些相似之处。

“神经拟态打算非常有趣，这种新的思维办法非常靠近我们的设想。
”Baissus 表示，“人类大脑有很多功能是并行进行各自的打算，然后你将这些结果一点一点地整合起来，这和我们的架构设计办法非常靠近。
”

Kalray 的最新芯片 Coolidge 可用来加速人工智能在数据中央和汽车领域中的运用。
虽然 Coolidge 并不是一个纯粹的人工智能加速器，在边缘打算领域有更广泛的运用，但大规模并行处理器阵列确实适宜人工智能加速，该公司在 CES 2020 上展示了 Coolidge 的人工智能用例。

“我相信，我们会看到有趣的神经拟态产品。
对此，我不会感到不安，由于首先，我认为我们的技能非常靠近这种类型的方法。
”Baissus 说，“我相信，市场如此之大，你将会看到许多不同类型架构的运用程序。
”

XMOS 首席实行官 Mark Lippet 表示，神经拟态打算的商业化运用仍需时日，尤其是针对其目标市场，包括物联网和消费设备。

他说道：“我认为，这对我们来说太过迢遥，短期内我们的经济视野不会涌现这种情形的。
”

XMOS 的 Xcore 人工智能芯片 将该公司的 IP 集成到了人工智能加速器中，用于语音接口运用，这些运用须要人工智能实现关键词检测或字典功能。
它适宜于一个新的种别，即跨界处理器（crossover processors），它将运用场置器的性能与单片机的易用性、低功耗和实时操作相结合起来。

Lippett 还表示，任何涉及到改变人们对编程系统的思维办法的技能，一旦进入市场，都将面临寻衅。

纵然是基于 RISC 架构的 Xcore，也面临着市场寻衅。
Lippett 称，任何涉及新编程范式的技能都会碰着阻力。

“我们得出的关键结论是，你须要非常靠近现有的、熟习的编程模型，才能快速采取。
因此，我认为这便是一个寻衅，从本钱的角度来看，让这些技能的好处变得可行，同时还要让社区现有技能能够利用这些技能，否则，采取起来会非常缓慢。
”他补充道，“我很高兴，我们在短期内不会与神经拟态打算竞争，但很明显，神经拟态打算是一项令人愉快的技能，值得关注。
”

Hailo 首席实行官 Orr Danon 指出，软件是一个潜在的问题。

他说，“我在软件领域事情了很多年，我一贯关注那些在硬件层面上看起来不错，但在实际开拓场景中却不可行的想法，我并不是说情况会如此，但这是一个紧张的担忧。
”

Hailo 最近完成了 6000 万美元的 B 轮融资，个中部分资金将用于连续开拓 Hailo-8 人工智能加速器芯片的软件。
该架构稠浊了打算、存储和掌握块，并依赖软件将相邻块分配到神经网络的不同层，详细取决于它们各自的需求。

“我们不应该美化工具，而该当美化目的，”他说，“我们不想根据鸟类飞行的事理来制造飞机。
从大自然中得到灵感是好事，但问题是，你能得到什么代价？你是否真正办理了问题的精确部分？”

Danno 表示，将新的打算架构限定在模拟大脑的某个特定部分，可能会导致瓶颈，他疑惑这可能比性能上风更主要。
他称：“另一方面，我认为，如果你想带来创新和重大改进，你就必须采纳大胆的方法。
从这个意义上来说，我很喜好神经拟态的做法，但在实现它们的承诺之前，它们确实必须证明之前的不雅观点。
”

Graphcore 首席实行官 Nigel Toon 表示，该公司的人工智能加速器是为不同的垂直领域设计的。
“我们认为这些神经拟态打算的公司不一定是我们直接的竞争对手。
”他说，“就市场表现而言，它们常日都处于非常边缘的位置，试图开拓低功耗、靠近传感器运用的领域……大概以更传统的办法构建的神经网络会更适宜这些运用，但它们肯定不能与 Graphcore 直接竞争，由于我们构建的是更大的、基于云打算的演习和大规模支配的推理系统。
”

至于神经拟态打算所面临的寻衅，Toon 的话听起来似曾相似。
他说：“软件，软件，还是软件！
构建任何处理器的寻衅都属于软件领域的范畴。
太多时候，人们都是制作出有趣的处理器，然后就琢磨怎么在这些处理器上进行编程。
而现实情形是，你须要弄清楚你要如何编程，然后去构建一个能有效支持的处理器。
你必须理解软件编程方法，并构建一个处理器来实现这一点。
”

Graphcore 的方法始于这样一种认识，即机器学习模型实质上是大型的高维图，个中顶点是打算，边缘是打算元素之间的通信。
该公司最初开拓了在打算机级别上对图进行描述的软件，然后设计了一个处理器来处理它们。
图的高维性在一样平常存储空间中很难处理，由于只有两块存储空间可以相邻存储。
数据终极变得非常稀疏，问题的碎片散落在内存中。
因此，Graphcore 在其智能处理单元芯片中放置了大量的内存和内存带宽。

“终极，我们会创造的是，作为研究项目，神经拟态打算是有趣的。
但这可能不是用硅制作高效处理器的方法。
”Toon 说，“引用分子打算作为未来的范式，可能会与目前正在开拓的神经拟态方法产生协同浸染。
分子打算是一个新兴的领域，利用 DNA 等生物分子作为打算机，以减少 Landauer 限定，即擦除一位信息所需的能量。
”

译注：Landauer 事理指出，擦除一位信息就要花费能量 kTln2。
它措辞了打算过程物理极限的存在。
Landauer 建立信息擦除事理的关键是引入逻辑不可逆 (logical irreversibility) 的观点。
从打算的角度讲，任何普适的打算都必须包括初始化步骤。
初始化擦除打算机已存的信息，使得打算机从任意一个可以达到的态 A 回到参考初态 R。
由于打算机的每个逻辑状态必须对应于一个物理态，逻辑不可逆在物理上表现为自由度约化的耗散效应，是一种范例的不可逆过程。
这就意味着，打算一定要花费一定的能量，并以热量的形式散发掉。
打算的速率越快，产生的热量就越多。
当打算机芯片单位面积上集成的元件数目越多，发热的功率就越大。
这种不可逆打算的耗热机制大大限定了打算机芯片的尺度，给出其物理极限，从而导致摩尔履历定律的闭幕。
更为详细的阐明可查阅 Wikipedia 的 Landauer’s principle 词条。

Toon 说，“但是，半导体家当已经投资了数万亿美元来用硅制造打算机，我们知道如何做到这一点，也知道如何批量生产。
大概最好的路子是研究出我们如何构建利用不同架构的硅打算机，并构建这些新的机器智能方法。
”

原文链接：

https://www.eetimes.com/will-neuromorphic-computing-compete-with-todays-ai-accelerators/