耶魯大學研究創造了模擬人類認知的計算機晶元

據耶魯大學網站報道，耶魯大學研究人員研究創造了模擬人類認知的計算機晶元，其中一個是TrueNorth，它是神經形態晶元的一個先驅性例子——仿效大腦的新一代計算機電路。

想像一下，如果你在辦公室里工作，一旦你完成了一項任務，你就必須等到其他小隔間里的每個人都完成了他們正在做的工作，你才可以繼續進行下一項任務。

這就是大多數依賴同步電路的數字設備的工作方式。內置時鐘允許完成每一個計算功能的時間相同。基於由1和0組成的二進位系統，它是可靠的，但它也意味著系統運行速度只能和鏈中最慢的函數一樣快。

約翰·C·馬龍（John C. Malone）的電氣工程與計算機科學教授拉吉特·馬洛哈(Rajit Manohar)說，「在有時間限制的運行中，所有東西（包括你不需要的東西）都必須符合時間預算，所以，除非你讓一切變得更快，否則你的晶元將無法運行得更快。」

甚至在Siri和Google Home成為我們的家庭伴侶之前，我們就已經有了將電腦人格化的傾向。長期以來，人們通常用「思考」來談論計算機，並將其歸因於與大腦相關的特徵。但事實上，傳統計算機的功能與大腦完全不同。但是，計算機科學與人類大腦正越來越接近。

其中一個跡象便是TrueNorth晶元，這是一個4平方厘米的晶元，擁有54億個晶體管，以及100萬個通過2.56億個「突觸（synapses）」進行通信的「神經元（neurons）」。拉吉特·馬諾哈爾（Rajit Manohar）從他擔任美國康奈爾大學(Cornell)教職工時起，就開始與IBM的一個研究團隊合作，經過多年的努力，最終促成了TrueNorth。TrueNorth由國防高級研究計劃局（DARPA）資助，作為該機構自適應塑料可升級電子系統（SyNAPSE）計劃的一部分，它是神經晶元的一個開創性的例子——一種模仿大腦的新型計算機電路。其大小相當於一張郵票，它可能是一場如何製造和使用電腦的革命的開始。

馬諾哈爾從他在非同步系統（他的一個研究專業）的工作來到了這個項目。在具有這類電路的設備中，每個函數都被允許儘可能少或多的時間來完成它的任務。「這就像一場接力賽——當你在那裡的時候，你把接力棒遞給下一個人，」他說。為了允許更大的複雜性和更少的能量使用，所有這些函數都以非同步和並行的方式工作——就像神經科學家們認為大腦是如何運作的一樣。「很明顯，進入你大腦中的每一個神經元，不會有單一的、經過仔細同步的信號，所以，非同步似乎是思考計算如何發生的一種自然的方式，」馬諾哈爾說。

儘管非同步系統通常被認為是計算機科學中的一個新的分支，但它們的起源可以追溯到現代計算機的早期版本。馬諾哈爾指出，甚至自20世紀40年代發展起來的現代計算機的藍圖（「馮·諾依曼」機器）也解釋了非同步計算是有利的。許多早期的機器都是這樣建造的，但計算機結構很快就變得複雜起來，包括了更多的電線。確保信號在機器內部被正確發送和接收變得更加複雜。這需要一個內部計時器來確保一切正常運轉，而同步電路便成了「王法」。

然而，這些機器雖獲得了有序性，卻犧牲了速度。舉個例子，你手機里的CPU。它以1GHz的速度運行——每秒10億步——所以每一步都必須在1納秒內完成。無論你計算的是什麼，都必須被分成相等的時間塊。就算一個步驟完成得早，你也必須等待。那就等於浪費了很多時間。「坦白地說，在計算中，讓每個單獨的計算模塊花費的時間都相同，你很難做到，」他說。「並非所有計算都難度相當。」

如果一個步驟太長，就會發生錯誤。在這種情況下，流程必須被分解成更小的步驟，或者步驟的大小必須更大——這將減緩其他進程。然而，直到20世紀80年代，這一點才引起人們的廣泛關註：晶元開始變得越來越大、越來越複雜，而且用於保持計算能力的時鐘運行得越來越「貴」——占晶元功耗的20%。「所以人們在80年代初又開始研究非同步電路了。」

TrueNorth的神經元彼此並行工作，各自做它需要做的事情來完成一項任務。它們通過電流的爆發進行交流，這種電流被稱為尖峰。關於TrueNorth，最值得注意的事情之一是它的節能性如何。使用70毫瓦的功率——相當於助聽器的功率——其消耗量與執行類似任務的傳統計算機相比微不足道。

IBM阿爾馬登研究中心（IBM Almaden Research Center）認知計算小組的首席研究員、DARPA SyNAPSE項目的負責人Dharmendra Modha表示，他之所以聘用馬諾哈爾，是因為他在該項目所需的技術方面是「世界領先者」，而且他還開發了「強大的、經過驗證的工具」。「大腦中的神經元是事件驅動的，運作時沒有任何同步時鐘，」馬諾哈爾說。「為了實現DARPA SyNAPSE雄心勃勃的度量標準，一個關鍵要素是設計和實現事件驅動電路，讓非同步電路是自然的。

神經科學讓我們對大腦中發生的事情有了更好的了解，這啟發了TrueNorth晶元的架構。不過，把TrueNorth稱為大腦功能的副本有些牽強，因為我們仍然不知道大腦究竟是如何工作的。這是令馬諾哈爾著迷的事情之一。「大腦是一個我們不是很了解的非同步系統，它可以做一些我們現在不知道如何讓計算機來做的事情——這很有趣，」他說。此外，有證據表明大腦有一個「非常強大的非同步計算基板」，可以學習如何進行很多不同的應用。「而且它可以以一種我們不知道如何在計算機上執行的效率來執行這些應用程序。這也很有趣。」

在神經形態計算中，許多其他的工作都是以更好地了解大腦的工作原理為目的。TrueNorth的製造者從另一個方向著手他們的項目；大腦的過程如何才能更好地進行計算？這也符合馬諾哈爾的興趣。

為了了解TrueNorth可能有什麼樣的現實應用，研究團隊開發了一個多目標檢測和分類應用程序，並通過兩項挑戰對其進行了測試：一個是檢測定期出現在視頻中的人、騎自行車的人、汽車、卡車和公共汽車；另一個是正確識別每個對象。事實證明，TrueNorth擅長這兩項任務。

根據TrueNorth製造者的描述，即使它只捕捉了人類大腦複雜性的一小部分，但該晶元擁有大黃蜂的腦力——這就足以完成一些非凡的任務。例如，它允許用戶不用觸摸電視或遙控器就能改變頻道。三星在對TrueNorth晶元進行評估後宣布，該公司正在開發一個系統，讓電視用戶只需做手勢就可以控制他們的電視機。洛斯阿拉莫斯國家實驗室（Los Alamos National Lab）的官員也在討論將其用於一些超級計算。

馬諾哈爾還是Achronix半導體公司的創始人，該公司專門生產高性能非同步現場可編程門陣列（FPGA）晶元。麻省理工學院技術評論（MIT Technology Review）將他列為「35歲以下創新者」之一——因為他在低功耗微處理器設計方面的貢獻。他的其他專長還包括低功耗嵌入式系統、並發系統和電路設計的正式方法。

馬諾哈爾說他是通過數學進入計算機科學的。「在某個時候，我想把數學應用到更實用的東西上，」他說。「我認為，從應用數學的角度來看，計算機科學很有趣——很多技術和一些基礎都非常數學化。」TrueNorth具備的前所未有的特性意味著製造者投入了大量的資源。由於缺乏現有的計算機輔助設計（CAD）軟體，研究團隊不僅發明了晶元，他們還需要發明用於構建晶元的工具。「妨礙人們在非同步電路上工作的因素之一，就是缺乏設計這些電路的工具。」 他說，「有一個巨大的行業，每年花費數十億美元來改進這些CAD工具，但它們並不適合我們在非同步設計方面所做的工作，所以我們必須編寫自己的CAD工具。」

自TrueNorth發布以來，從事非同步電路的研究人員數量顯著增加，但仍是一個小群體。馬諾哈爾團隊使用的CAD軟體是專門為團隊設計的。但是，如果他們能夠將這些軟體改造的更大眾化，馬諾哈爾相信這個領域將會爆發，而且這項技術將會更加迅速地發展。「我們想做的一件事是擁有一套完整的工具，我們可以將它放到開源平台中，讓其他研究人員使用。我經常聽到一些業內人士說，『嘿，我想試試這個，但我不知道怎麼開始，因為我沒有工具。』」

今天的傳統計算機的結構仍然來自二十世紀四十年代的馮·諾伊曼模型。我們雖已不使用紙板打孔卡, 但基本的想法仍然是一樣的。這些年的進步減少了內存將數據傳輸到處理器所需的時間，但數據仍然需要來回穿梭, 這需要時間和功率。幾十年來, 計算機在體積上穩步縮小，但所需功率卻在增長。然而，計算機科學家們說，關於能在多大程度上繼續增加處理器，我們已經接近極限了。神經晶元可能開啟一個全新的領域,將使這一趨勢持續下去，而且很可能以更快的速度發展。

TrueNorth與傳統系統的一個根本區別是其數據存儲和計算是沒有分開的。TrueNorth的神經網路可以在沒有計時機制的情況下完成多個任務, 從而打破了傳統操作停滯不前的線性操作的束縛。

還有就是這些晶元能讓電腦做什麼的問題。傳統計算機擅長蠻力計算，他們不太善於識別人臉，或者分辨出特定的聲音和涉及模式識別的任務。這就是為什麼那些CAPTCHA函數會指示你挑選出愛因斯坦的面孔，或者複製一個短字母數字模式來證明你是人類，來有效阻止機器人。

自從20世紀80年代計算機科學家們開始認真討論這個問題以來，神經形態計算已經取得了很大的進步，但這個領域仍然處於早期階段，隨著技術變得更加成熟，許多業內人士對晶元能做什麼感到興奮。就像任何可能改變遊戲規則的技術一樣，我們無法想像所有可能的商業應用，但許多業內人士表示，在實現即時自動駕駛汽車、打造更像人類的機器人、以及開發幫助視力受損者的設備上，神經晶元可能是關鍵。

當然，實現這些目標並非易事。馬諾哈爾與一個來自滑鐵盧大學（University of Waterloo）和斯坦福大學（Stanford University）的研究小組合作，目前正在研究一種多晶元系統，馬諾哈爾說這將是神經形態學的下一步。

「與所有現有平台相比，我們希望展示出更高的效率——這一直是我們的目標，」他說，「我們知道如何實現這一目標。」他預測，這種技術在不久的將來就會出現在日常設備中。「這些神經計算演算法目前為對象檢測和識別人臉等任務（許多公司現今所關心的）提供了最先進的性能，」他說。「想像一下，以後你可以用現在搜索文本的方式來搜索照片或視頻，而神經晶元在這類計算中效率更高。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！