海歸學者發(fā)起的公益學術平臺

分享信息，整合資源

交流學術，偶爾風月

通用人工智能（Artificial General Intelligence, AGI）是指一種智力水平與人類不分伯仲的人工智能。原則上，通用人工智能平臺可以執(zhí)行人類能夠完成的所有任務。目前，通用人工智能有兩種研究路徑：計算機科學導向和神經科學導向。

神經科學導向的AGI方法追求無限度地模仿人的大腦。這種方法研究觀察了記憶和計算之間的緊密相互作用，運用脈沖進行編碼、制定學習規(guī)則。其代表為第三代神經網絡——脈沖神經網絡（Spiking Neural Networks, SNN）。相比之下，面向計算機科學的方法主要表現(xiàn)為在計算機上執(zhí)行的顯式算法。其代表是非脈沖式的人工神經網絡（ANNs），屬于第二代神經網絡。ANNs在處理特定任務方面取得了實質性進展，如圖像分類、語音識別、語言處理和游戲AI等領域。

雖然這兩種方法都可以解決數(shù)據(jù)豐富的專門任務，但是要解決與多系統(tǒng)相關的、信息不完整的復雜動態(tài)問題，現(xiàn)有的技術仍然是無能為力。因此，為了進一步發(fā)展出智力可與人類比肩的AGI，目前的大趨勢是將更多由生物學啟發(fā)而來的模型或算法納入主流人工神經網絡，從而在SNN與ANNs構建起橋梁。但由于兩套系統(tǒng)使用的平臺各不相同且互不兼容，因此極大地限制了人工通用智能的發(fā)展。

在本次研究中，研究人員開發(fā)了一種混合式計算芯片，它可以適應同時面向計算機科學和神經科學的神經網絡。設計出與各種神經模型和算法兼容的通用平臺是一項基本挑戰(zhàn)，而這挑戰(zhàn)性在某些方面又尤其突出——比如ANN和SNN之間天然隔離。

ANN和SNN在信息表示、計算原理和記憶組織方面都具有不同的建模范例。而其中最根本的差異是，ANN以精確的多位值進行信息處理，而SNN卻使用二進制脈沖序列。所以，為了在一個平臺上實現(xiàn)兩種模型，脈沖需要表示為數(shù)字序列，以便它們與數(shù)字編號的ANN編碼格式兼容。

ANN計算模型與生物神經元計算模型

除此之外，還有幾點差異也十分重要：首先，SNN在時空域中運行，這需要在一定時間內記憶歷史膜電位和脈沖樣式，而ANN在過程中累積加權并周期性地刷新信息。其次，SNN的計算包括膜電位積分、閾值交叉和電位復位，其由脈沖驅動。相比之下，ANN主要與密集的乘積累加運算（Multiply Accumulate, MAC）操作和激活變換相關。最后，SNN中的脈沖信息的處理需要可編程的存儲器及額外的高精度存儲器，而ANN僅需要用于激活存儲和變換的存儲器即可。當然，ANN和SNN之間也存在一些相似之處，這為模型實現(xiàn)融合留下了空間。

ANN和SNN實現(xiàn)路徑之間的比較

在對不同系統(tǒng)進行詳細比對之后，研究人員抽象統(tǒng)一了軸突、突觸、樹突、胞體和感知器等模塊，設計了一種交叉范式的神經元方案。如下圖所示：

在該方案的支持下創(chuàng)建的功能核心，是一種具有“ANN輸入和SNN輸出”或“SNN輸入和ANN輸出”能力的混合網絡基元。換言之，一種可以充當ANN / SNN系統(tǒng)轉換器的功能核心誕生了。本次研究發(fā)布的Tianjic芯片即由這種功能核心構成。Tianjic芯片由156個功能核心組成，包含大約40,000個神經元和1000萬個突觸。芯片采用28-nm處理技術制造，膜片區(qū)面積為3.8×3.8 平方毫米。Tianjic芯片憑借其分布式片上存儲器和分散式多核架構，提供的內存帶寬超過了610GB（每秒）。

Tianjic芯片和測試板及其布局視圖

為了證明這種類腦跨范式系統(tǒng)的實用性，研究人員用芯片設計了一輛無人自行車。通過在一個Tianjic芯片內并行部署多個專用網絡，自行車得以配備多種算法和模型。該無人自行車已能夠執(zhí)行實時物體檢測、跟蹤、語音命令識別、超速減速、避障、平衡控制等任務。

研究人員認為，本次研究將能夠促進AGI的實現(xiàn)進程。施路平教授介紹說：“本次研究事實上包含了多重信息，它是‘腦和電腦’的融合；是計算和存儲的融合，既有分離又有一體化；是時空復雜性和空間復雜性的融合；是空間編碼和時間編碼的融合。”在談及本次研究與類腦的關系時，他表示：“類腦在本次研究中具有風向標的地位，自然界中唯一的AGI系統(tǒng)就是人腦，所以朝著這一方向進發(fā)，是研究中十分寶貴的方向感。”

但研究人員也表示，該工作還是十分初步的，還有很大的上升空間，而迭代更新的工作已經在著手進行中。據(jù)悉，現(xiàn)在該芯片技術已經在與部分公司進行產業(yè)合作。