从“人工智障”到人工智能,基于SNN的类脑计算是决胜关键

从“人工智障”到人工智能,基于SNN的类脑计算是决胜关键计算机算数比人脑快几万倍 但却没有 灵魂 但为何类脑计算成为了新的科技届 网红 Darwin Mouse 是目前国内乃至国际上 从神经元规模角度讲最大的类脑计算设备

大家好,欢迎来到IT知识分享网。

文章来源:智哪儿

文章作者:刘布斯

计算机算数比人脑快几万倍,但却没有“灵魂”。但为何类脑计算成为了新的科技届“网红”?

Darwin Mouse是目前国内乃至国际上,从神经元规模角度讲最大的类脑计算设备。此前,清华大学团队曾发布“天机芯”,也是国内科研实力在类脑计算领域的体现。

从“人工智障”到人工智能,基于SNN的类脑计算是决胜关键

为何类脑计算成为了新的科技届“网红”?这个答案其实很简单:现有的基于冯·诺依曼架构的计算机,由于摩尔定律即将走向尽头,其计算能力将达到天花板。早在1980年代就提出的类脑计算概念,俨然已经成为世界范围内的科研重点。

类脑计算最早是由美国加州理工学院的Carver Mead教授提出的概念。经过几十年的理论建设和研究实践,类脑计算可以说已经初具成效。目前,国际上较为知名的三大类脑计算机分别是:德国海德堡大学的BrainScaleS、IBM的Blue Raven和英特尔公司的Pohiki Springs。

从“人工智障”到人工智能,基于SNN的类脑计算是决胜关键

与传统计算机相比,类脑计算机最大的特点就是与冯·诺依曼架构背道而驰。普通人都能发现的一点是,现有的计算机无论计算性能再强大(比如瞬间激活成功教程一种非对称加密),都无法具备人类大脑某些最基本的认知。

换句话说,计算机算数比人脑快几万倍,但却没有“灵魂”。这是因为冯·诺依曼架构是按分时复用的方式,将高维信息的处理过程转换成时间序列的一维处理过程的一种计算方法,对于高速数值运算十分擅长。

从“人工智障”到人工智能,基于SNN的类脑计算是决胜关键

【冯·诺依曼结构】

我们如今使用的计算机芯片,随着工艺技术的提升,单位面积内集成的晶体管数量达到了好几亿,但随着时间的推移,现有的芯片工艺很快就要突破物理极限,届时摩尔定律将失效。也就是说,不远的将来,单个芯片的计算水平将封顶。

归根结底,冯·诺依曼架构的计算机终究还是一个“算数很快”的“计算器”,其在处理包含非结构化、时空关联信息的感知、认知以及决策等相关问题时,表现出效率低、能耗高、实时性差等问题。还有一个非常现实的问题,那就是传统计算机的能耗太高。如果你想让它具备跟人一样的思考能力(如果可以实现的话),那么估计要专门建一个发电厂。

从“人工智障”到人工智能,基于SNN的类脑计算是决胜关键

当前的人工智能在处理简单任务时,可能要消耗几万瓦甚至几十万瓦的能耗,而人的大脑只需要几十瓦。这说明一点,单从能耗角度看,通过传统计算机的“暴力计算”实现人工智能,已经丧失了经济性优势。要真正实现人工智能,以及确保能耗可控,就必须从硬件层面改变芯片对信息的处理方式。

所以,类脑计算的研究加快了进程。对于加快人工智能的实现和落地,类脑计算不可或缺。其实,包括冯·诺依曼和图灵在内的计算机先驱,很早就提出了计算机的类脑计算。但这些理论是基于传统计算机架构实现的,也就是今天我们常见的CNN(卷积神经网络)和RNN(递归神经网络)。

从“人工智障”到人工智能,基于SNN的类脑计算是决胜关键

【典型的类脑计算机系统】

CNN和RNN是人工智能领域非常常见的名词,这两项理论也是现今指导人工智能发展的基本模型。但是,当今的人工智能所使用的模型,其实一直在沿用上个世纪四十年代的思想产物。在冯·诺依曼架构下,最先进的类脑计算可能还不具备一只昆虫的认知水平。

此前,柯洁大战谷歌的Alpha GO的案例中,后者作为一种人工智能技术,其实结合了传统计算和类脑计算,但并不是通过真正意义上的类脑计算机实现的。因为围棋是可以数学化的,Alpha GO只能通过计算胜率来赢过柯洁,却无法采用心理战术。

从“人工智障”到人工智能,基于SNN的类脑计算是决胜关键

所以,类脑计算,应该是指神经形态的硬件,软硬集合实现真正的人工智能。如今基于软件实现的AI,在处理单张图片的视觉上创造出了令人惊讶的水平,但在处理连续动态画面的时候,却表现得十分离谱。商业领域的AI,对用户意图的判断上更是十分原始,被戏称为“人工智障”。

从另一个角度理解传统计算与类脑计算的区别,在于信息处理方式的不同。传统计算机对信息的存储和处理是分开的,而人脑处理信息时,存储和处理是一体的。这是类脑计算非常核心的一点。因为人脑的神经网络是同时负责信息处理和记忆的,没有单独的存储器。

人脑每个神经元平均会对接10,000个其他神经元,处理信息的过程其实就是海量神经元之间电信号的传递。而与此同时,某一部分神经元组成的特定结构,形成了对某一信息的认知,也就是存储。感兴趣的读者可以研究下一种叫做“髓鞘质”的成分,它在神经回路上的形成,是人类记忆或掌握某一技能的关键。

从“人工智障”到人工智能,基于SNN的类脑计算是决胜关键

为了区别传统计算机的AI,类脑计算机创造的AI被称为AGI,即通用人工智能,是指具备认知和学习能力的类脑智能。

近几年来,类脑计算经历了多个发展阶段。最初,类脑计算是基于GPU搭载CNN或RNN模型来实现人工智能,也就是当前最主流的解决方案(本质上是利用GPU强大的算力才训练神经网络);其后,基于ASIC(专用集成芯片)和FPGA(可编程逻辑阵列)的方案取代了GPU;而以浙大为代表的Darwin芯片,则完全是一种“仿生设计”,改变了计算单元的空间结构。

所以,狭义上的类脑计算,应该是指借鉴了人脑处理信息的机制的全新计算架构。这类芯片由人造的神经元和神经突触组成,模拟人脑功能,利用空间的复杂性来解决计算问题。这种神经网络,被称作SNN(Spike Neural Network,即脉冲神经网络)。

沿着SNN的方向发展,机器将具备真正的思考能力,《机械公敌》中Sonny这样的类人机器人将成为现实。

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/163662.html

(0)
上一篇 2024-12-21 17:00
下一篇 2024-12-21 17:15

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注微信