類腦學習與處理演算法的研究

類腦計算器件研究的初衷是在不影響性能的前提下，大大降低功耗，或者在相似功耗下，極大提高速度。現代計算機雖然具有驚人的運算能力與運算速度，但與之相伴的是高昂的能量消耗。大型計算機的功耗往往在兆瓦量級以上，與之相比，成年人大腦的功耗只有大約20 W。巨大的能耗嚴重限制了系統進一步向微型化的方向發展（因為難以散熱），也會使得複雜的嵌入式應用和遠程應用，比如宇航探索，缺乏足夠的計算能力支持（因為難以攜帶足夠的能源）。

現代計算機能耗高的一個重要原因是計算機普遍採用的馮.諾依曼架構。馮氏架構中，信息處理單元與存儲單元是分離的，這樣在運算過程中，勢必要經常將數據在處理單元與存儲單元之間進行傳遞，這一看似簡單的過程卻能貢獻系統近50%的功耗。與之相比，在生物腦中，信息的處理是在神經網路中實現，而數據本身則是分布式的存儲於網路的各個節點（比如由神經元內的離子濃度表徵）以及節點之間的連接（比如由突觸的強弱表徵）上，運算和存儲在結構上是高度一體化的。

這樣，用少量甚至單個電子器件模仿單個神經元的功能，而將數量巨大的電子「神經元」以類腦的方式形成大規模並行處理的網路，以進行計算，就成為了非常有吸引力的方向。目前研究的熱點包括尋找更適合的器件以模擬單個神經元（比如憶阻器），設計非馮氏體系為基礎的處理器等。近來IBM公司研發的TrueNorth晶元是這一領域的代表性進展，由於使用了非馮氏結構體系和其他一系列措施，實現了對於功耗近2個數量級的降低（圖1）。另外的重要進展還包括研發專用處理器，針對深度神經網路等類腦演算法進行專門優化，以提高速度、降低功耗，由於這一領域的演算法已在圖像、語音識別等方面有成熟的應用，此類專用處理器有望能較早投入實際運用。

類腦學習與處理演算法的研究

能夠大大降低能耗或是加快速度的類腦的處理器對於實現更高水平的智能無疑會有很大的幫助，但要真正實現類人水平的通用人工智慧，除了需要這樣的硬體基礎外，關鍵還需要理解生物腦對於信息所做的計算，即類腦的處理及學習演算法。對於此研究方向，一個常見的顧慮是：現在神經科學對於大腦工作機制的了解還遠遠不夠，這樣是否能夠開展有效的類腦演算法研究？對此，我們可以從現在獲得廣泛成功的深度神經網路獲得一些啟示。從神經元的連接模式到訓練規則等很多方面看，深度神經網路距離真實的腦網路還有相當距離，但它在本質上借鑒了腦網路的多層結構（即「深度」一詞的來源），而大腦中，特別是視覺通路的多層、分步處理結構是神經科學中早已獲得的基本知識。這說明，我們並不需要完全了解了腦的工作原理之後才能研究類腦的演算法。相反，真正具有啟發意義的，很可能是相對基本的原則。這些原則，有的可能已經為腦科學家所知曉，而有的可能還尚待發現，而每一項基本原則的闡明及其成功的運用於人工信息處理系統，都可能帶來類腦計算研究的或大或小的進步。非常重要的是，這一不斷發現、轉化的過程不僅能促進人工智慧的進展，也會同步加深我們對於大腦為何能如此高效進行信息處理這一問題的理解，從而形成一個腦科學和人工智慧技術相互促進的良性循環。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！