人工神经元芯片获新突破 谁将主导“类脑计算”的未来趋势？

脉冲神经网络芯片商业化还需要好几年

　　条条大路通罗马。不同技术路线的存在，也自有其生存的土壤。

　　人工神经网络是从算法向硬件发展的。吴甘沙告诉记者，传统的算法在通用芯片(CPU和GPU)上效率不高，于是出现了特定的算法加速器，来加速包括卷积神经网络、递归神经网络在内的各种神经网络算法。比如Teradeep，它来源于Yann LeCun(上文提到的深度学习大神)的工作NeuFlow，已经实现了商业化。

　　中国科学院计算技术研究所寒武纪系列芯片在知识产权布局上非常独到，也开始了商业化的探索。谷歌的TPU(Tensor Processing Unit)也是一种专用的加速器芯片，跟其深度学习软件Tensor Flow匹配。就中短期而言，这类芯片有很好的商业化前景。

　　对于神经拟态芯片，常常见诸媒体的是架构和处理器层面的进展。吴甘沙提出，IBM的TrueNorth芯片和高通的Zeroth芯片，两者都基于脉冲神经网络。TrueNorth发源于DARPA的SyNAPSE，展示了在100mW功耗下模拟复杂的递归神经网络的能力，体现了这一架构的独特之处(但也有人指出功耗优势来自较低的主频)。Zeroth的商业试用并不成功，目前已转向人工神经网络加速器。

　　英特尔也在做脉冲神经网络的芯片，估计商业化还需要好几年。即便如此，各家公司还是投入重兵，因为它所代表的新型处理范式——计算与记忆的一体化、复杂互联、递归、时空编码、异步、低精度、随机性、高容错等特征，有很高的研究价值。例如，生物神经元有很多突触连接，这在硅芯片上很难实现。另外，传统的CPU和GPU都是同步的，实现神经拟态需要异步电路。

　　“所以说，另一种思路是在器件方面得到突破，比如DARPA UPSIDE基于模拟芯片，有些类脑芯片基于忆阻器(memristor)，以及IBM刚刚宣布的人工神经元，所有这些都比传统的晶体管更容易实现类脑计算。”吴甘沙强调。

　　“IBM的神经元新器件对脉冲神经网络的硬件实现有很大帮助，但这类模型在算法方面尚有很长的路要走。”陈天石表示，“未来也许会有突破，但近年不乐观。”

　　实际上，对于人工神经元芯片的问世，IBM自身也是非常清醒的。他们在指出“这些相变神经元是我们到目前为止所创造出的行为最接近生物神经元的人工器件”的同时，也强调将面临“更难的部分——编写一些能够真正利用该芯片的神经形态的软件”。

　　但正如IBM所说：“我们没有任何理由止步于此。”