英特尔推出全新自主学习芯片加速人工智能发展

想象一下——未来，我们可以更加迅速的对复杂问题做出决策并且能随时自动调整，很多社会和工业问题也都可以通过自主学习经验来自动解决。未来，一线救援人员可以通过图片识别分析街道摄像头画面，并迅速解救失踪或被绑架的人。未来，交通信号灯会根据交通流量自动调整变灯时间，控制起步停车的时间从而减少交通拥堵。未来，机器人将变得更加自主化，性能效率也都会显著提高。

随着从高度动态、非结构化自然数据中进行收集、分析和决策的需求越来越高，对计算的需求也超越了经典的CPU和GPU架构。为了跟上技术发展的步伐，并推动PC和服务器以外的计算，英特尔过去六年来一直在研究能够加快经典计算平台的专用架构。最近英特尔还加大了对人工智能（AI）和神经拟态计算的投资和研发。

我们在神经拟态计算领域的研究工作是基于几十年来的研究与合作，这项研究是由加州理工学院Carver Mead教授最先开始的，他以半导体设计的基础性工作而闻名。芯片专业知识、物理学和生物学的结合为新想法的创造提供了一个良好的环境。这些想法非常简单，却具有革命性：将机器与人脑进行比较。该研究领域将高度协作和不断支持科学的进一步发展。

作为英特尔研究院的一个研究课题，英特尔开发了代号为Loihi的第一款自主学习神经拟态芯片， 它模仿了大脑根据环境的各种反馈来学习如何操作的运作方式。这是一种非常节能的芯片，它利用数据来学习并做出推断，随着时间的推移变得更加的智能，并且不需要以传统方式进行训练。它采用一种新颖的方式通过异步脉冲来计算。

我们认为人工智能还处于初级阶段，Loihi等更多的架构和方法将不断涌现，从而提高人工智能的标准。神经拟态计算的灵感来自我们目前对大脑结构及其计算能力的了解。大脑的神经网络通过脉冲来传递信息，根据这些脉冲的时间来调节突触强度或突触连接的权重，并把这些变化存储在突触连接处。脑内神经网络及其环境中多个区域之间的协作和竞争性相互作用就产生了智能的行为。

机器学习，如深度学习，通过使用大量的训练数据集来识别物体和事件，最近取得了巨大的进步。但是，除非这些训练数据集考虑到特定的元素、条件或环境，否则这些机器学习系统不能得到很好地泛化。

自主学习芯片的潜在好处是无穷无尽的。例如它能够把一个人在各种状况下——慢跑后、吃饭前或睡觉前——的心跳数据提供给一个基于神经拟态的系统，来解析这些数据，确定各种状况下的"正常"心跳。这个系统随后持续监测传入的心跳数据，以标记出与"正常"心跳模式不相符的情况。这个系统还可以针对任何用户提供个性化服务。

这种类型的逻辑也适用于其它的应用场景，例如：网络安全，由于系统已经学习了各种状况下的"常态"模式，因此当数据流中出现异常或差异的时候，就可以识别出漏洞或黑客攻击。

英特尔推出Loihi测试芯片

Loihi研究测试芯片包括模仿大脑基本机制的数字电路，从而让机器学习变得更快、更高效，同时对计算力的需求更小。神经拟态芯片模型的灵感来自于神经元通信和学习的方式，利用了可根据时间调节的脉冲和可塑触突。这将帮助计算机在模式和关联的基础上实现自组织并做出决策。

Loihi测试芯片提供高度灵活的片上学习能力，并把训练和推断整合到一个芯片上。这让机器实现自动化，并实时进行调整，无需等待来自云端的下一次更新。研究人员已证实，与其他典型的脉冲神经网络相比，在解决MNIST数字识别问题时，以实现一定准确率所需要的总操作数来看，Loihi芯片学习速度提高了100万倍。与卷积神经网络和深度学习神经网络相比，Loihi测试芯片在同样的任务中需要的资源更少。

这种测试芯片的自主学习功能具有巨大的潜力，可以改进汽车和工业应用以及个人机器人——包括任何在非结构化环境下得益于自主操作和持续学习的应用，例如，识别汽车或自行车的运动。

此外，与训练人工智能系统的通用计算芯片相比，Loihi芯片的能效提升了1000倍。2018年上半年，英特尔将与著名大学和研究机构共享Loihi测试芯片，致力于推进人工智能。

本文作者：Michael C. Mayberry博士