解读神经拟态计算:让机器像大脑一样"思考"

iamkfeng

　北京，五道口，早7点。不出意外，这里又如往常一样堵了个水泄不通。原本被用来疏导交通流量、提高道路通行能力，减少交通事故的红绿信号灯，此时早已失去了原有的功能。每当遇到这种情况，如果想要使交通重新恢复顺畅，一般情况下就只有两种方法：一是等待交警来组织车辆进行疏通，另外一个就得靠热心群众来帮忙了。

　　无论是经验丰富的交警，亦或是首次遇到这种情况的菜鸟司机，虽然可能耗时不同，但最终应该都能顺利疏通车流，使交通恢复正常。

　　而原本被用来疏导交通流量、提高道路通行能力的红绿信号灯，此时，依然“傻乎乎”的按照设定好的时间间隔来回变换，对于拥堵的交通毫无助益。

　　警察、路人与交通灯，在交通中同样扮演着疏通者的角色，但为什么警察与路人最终能够顺利疏通车流，而交通灯却不能呢？因为警察与路人是自然智能的拥有者，而控制交通灯变化的，只是惯常设定好的程序，不会随机应变。

　　近些年，人工智能大潮迅速席卷全球。人工智能相关技术与应用，已经逐渐渗透到各个领域。同时，随着通信技术的发展、物联网的发展、深度学习技术的发展，越来越多的“物”开始拥有“智慧”，比如能跟孩子交流的音箱、能够自动调节亮度的电灯、能够自动“判断”白天还是夜晚的窗帘，亦或者能够更加智能的疏通车流的交通信号灯等等。

　　这些变化为大众带来更多便利的同时，也使我们处在了一个更加智能化的世界。但是，这样所谓的智能就足够了吗？

　　就像上面提到的堵车问题，即便五道口的红绿灯接入物联网、接入深度学习库，在面对复杂的交通拥堵时，依然无法像人类那样凭借经验去迅速疏导车流。这就是现阶段绝大多数所谓的人工智能设备为何无法真正被称为“智能”的主要原因。

　　那么，有办法让机器像人一样拥有或近似拥有自然智能，以应对突发状况，甚至作出随机应变吗？

·深度学习有哪些局限性？

　　时下，赋予机器以“智能”的手段通常是通过“机器学习”来实现的，而机器学习中最为大家所熟知的莫过于“深度学习”。

　　在2016年之前，人工智能领域大多使用有监督的深度学习方法。有监督的学习方法就是训练者通过手工设定学习特征的方法，来让机器学会某件事情。这就像我们上小学的时候，大多数情况下是老师在教我们识字一样，老师教的是什么，我们就学什么，很少去自己进行思考性的拓展学习。

　　而近两年，人工智能领域开始大范围使用无监督的深度学习方法。即让机器通过从大数据中寻找规律、挖掘价值，去认识某些事物。这就像我们即便不知道一种花的确切名字是什么，但通过归纳花这类植物的特征，我们在遇见不同的花时，都至少知道它是花，而且在遇到相同的花时，我们也知道它们是相同的。虽然这个比喻不够确切，但相信大家能明白它与有监督深度学习的区别。

　　不过，虽然时下大都采用深度学习方法，通过数据挖掘来赋予机器以智能，但归根到底，一种深度学习训练方法训练出来的机器，绝大多数情况下还是只能应对一类事物。况且深度学习只是在图像和语音等富媒体的分类和识别上取得非常好的效果，它并非人工智能的终极方法。

　　最熟悉的例子莫过于谷歌AlphaGO，它是一款专注于围棋的人工智能，在没有进行象棋相关的深度学习之前的时候，AlphaGO只能用来下围棋。这就是现阶段以深度学习方法为主的人工智能行业所面临的一个问题。

　但是在人类的愿景中，要达到的是让人工智能变得和人一样聪明，能够应对不同种类的事件，甚至能够在面对不同突发状况时，迅速作出随机应变的反应。现阶段的深度学习方法、或更大一个范畴的机器学习很难达成这样的结果。因此，需要让机器在某种程度上具备接近自然智能、或具备真正自然智能的新的方法，来推动人工智能在“智慧”层面的发展。而目前，神经拟态计算就是这样一种神奇的技术。

·如何让机器像人脑一样工作

　　要想了解神经拟态计算，那么首先要了解自然智能。

　　神经拟态学工程师、德国海德堡大学物理学家卡尔海因茨·迈耶（Karlheinz Meier）认为，人类的大脑相对于计算机而言有三大特性：

　　其一、低能耗。人脑的功率大约是20瓦特，而当前试图模拟人脑的超级计算机需要几百万瓦特；

　　其二、容错性。失去一个晶体管就能破坏一个微处理器，但大脑时刻都在失去神经元；

　　其三、无须编程。大脑在与外界交互的过程中自发地学习和改变，而非遵循预设算法所限制的路径和分支。

　　这三大特性，尤其是第三项特性，使人类的智能与计算机、机器的智能区隔开来，形成了独特的自然智能。

　　而神经拟态，就是科学家们为了实现这些目标，力求让计算机去实现对人类大脑的模拟，同时了解大脑的工作机制，最终让计算机或机器具备如人脑一样的近自然智能特性，从而让计算机或机器具备更低能耗、更加高效、容错率更高的能力。

　　当前，人类大脑单个神经细胞——即神经元——的工作模式大体上已被科学家们掌握，大脑中每个可见的脑叶和神经节的作用也已被探明，但是脑叶和神经节中的神经元如何组织依旧是个谜。科学家们认为神经元的组织方式决定了大脑的思考方式，同时也很可能是意识的存在方式。因此，想要实现神经拟态计算，首先就需要构建出一颗模拟大脑神经元工作的计算芯片。

　　这就是神经拟态计算的核心原则。

　　正如前面所言，如果说深度学习、机器学习是从大量有过标注的数据中去提取出来一些方式，来解决某一领域的问题的话，那么神经拟态计算就是通过模拟人脑神经元工作机制，使人工智能从数据的各种形态中提取出更多有价值的东西，而非只局限于某一领域。

　　那么有人可能就会问，“这样做究竟有何意义呢？”

·神经拟态计算的意义在哪？

　　我们还是回到现实中的堵车这件事上来。

　　抛开人为因素造成的堵车不谈。现在的交通灯都是预先进行了编程，什么时候是红灯，什么时候是绿灯，以及怎么切换，都是编程好的。但我们都知道，实际交通环境中，不同时间段、不同地点的车流量是完全不同的。明明车很多的时间段、或地点、或方向上，绿灯的时间不够长，有的车为了少等几个灯时，可能就会趁黄灯硬闯，车流量大的时候就很容易发生拥堵了。

　　那么如何让交通灯变得更加智能，从而能够应对不同时间、不同地点、不同方向上的不同车流，尽量避免因机械性的控制让交通变得拥堵呢？

　　如果靠机器学习的方法训练出一个模型，可以通过某一种检测的方法让交通灯做这样或那样的变化，可能会有一定的效果，但并不会适用于所有的路口。这时候，其实最需要的是在每一个路口放一个人，警察、热心群众都可以，不需要有博士一样的智商，甚至不需要有一定的经验的人都可以帮助这个路口最大程度避免拥堵。但是如果这样做的话，就太过劳民伤财了。

　　而神经拟态计算，就能够通过不断的训练完成这样的事情。

　　与深度学习、机器学习不同。如果给红绿灯安装一颗神经拟态计算芯片，那么这个红绿灯就可以从一个初始规则状态开始学习，通过视觉的输入，通过其它体系信息的输入，逐渐“知道”怎么样按照当前的情况，自适应的去调整信号灯的切换，让这个路口保持最大、最高效的通过率，以避免因车流大、绿灯时间短而造成路口堵塞的问题。

　　其实在自动驾驶领域，类似的问题最为普遍。

　　比如一辆自动驾驶汽车是通过深度学习来“了解”北京路况下如何驾驶的话，那么它如果到了满大街都是小三轮的其它城市，这辆自动驾驶汽车可能就傻眼了。而重新为这辆车制定一套当地的深度学习框架，又非常的费事。因此，就需要这辆车具备进一步的自主学习能力。不需要人为去重新制定方案，只要通过多次实际行驶中对新环境的数据分析和学习，就能适应新环境的路况规则，这就才是人工智能想要达成的目标。

　　而神经拟态计算正是模拟人脑结构，让基于其的设备具有自主学习能力的技术。

　　那么神经拟态计算芯片是如何模拟人脑结构的呢？以英特尔的LOIHI芯片为例我们可以大致了解其中奥妙。

　　人类大脑有800亿神经元，每个神经元又可以跟上万个神经元进行连接。怎么让一个系统和软硬件结合的设备可以以人脑的方式去学习呢？LOIHI就是模拟脑神经元模式，把学习规则放入到每个神经元里去进行学习。

　　比如一个人不管是聪明还是不太聪明的人，其实都可以去学很多种技能，会说话，又会唱歌，又会写字，又可以炒菜做饭，所有这些都是一个大脑解决的，没有人会切换不同大脑来做不同事情。

　　英特尔研发的LOIHI神经拟态计算芯片，就是首个可以自主学习的芯片。神经拟态计算不是冯·诺依曼体系结构上的计算——存储体系：CPU主要负责运算，而取得的指令在存储序列，数据也在存储序列。任何的计算过程都是取指令、数据、算出来的结果又存在内存里，这是标准的计算架构。

　　神经拟态计算的计算和存储是在一起的，会形成很多分布式的单元，而且采用了异步计算方式，这种计算方式与冯·诺依曼结构的同步时钟驱动不同模块工作的方式不同。

　　比如英特尔LOIHI神经拟态计算芯片。它的整个芯片就像人类大脑，比如当你在听歌的时候，其实只有一个区域在工作，不是所有都在负责听歌这件事。神经拟态的好处是以很高的能效比解决一些计算问题，而且特别是一些比较复杂的问题，比如说稀疏编码、词典学习、约束满足等等。

　　其实神经拟态计算的出现，就是要解决那些现在机器学习都做不了的事情，而这些事情通过类脑芯片能够得到很好的解决。