日前，英特爾和美國康奈爾大學在《自然-機器智能》（Nature Machine Intelligence）雜志上聯合發表一篇論文，展示了英特爾神經擬態研究芯片Loihi能在有明顯噪聲和遮蓋的情況下，學習和識別10種危險化學品。據論文介紹，英特爾和康奈爾大學的有關研究人員利用72個化學傳感器對不同氣味做出反應的數據集，通過配置生物嗅覺的電路圖來描述如何“教會”Loihi“聞味道”。Loihi僅需單一樣本便可學會識別每一種氣味，并且不會破壞它對先前所學氣味的記憶，要達到與Loihi相近的識別準確率，傳統深度學習解決方案需要的訓練樣本，至少是Loihi所需樣本的3000倍以上。

英特爾神經形態計算實驗室科學家納比爾·伊姆艾姆（Nabil Imam）和康奈爾大學心理學系計算生理學實驗室研究人員托馬斯·克萊蘭德（ Thomas A. Cleland），在英特爾“Loihi”神經擬態芯片系統上，描述了一種基于哺乳動物嗅覺系統的神經算法，可以學習并鑒別氣味樣本

研究團隊之后在一個神經形態系統中，實現該神經算法，并利用甲苯、氨、丙酮、一氧化碳和甲烷等10種有害化學物質，對其進行氣味訓練，最后在風洞中通過傳感器的數據對神經擬態芯片Loihi進行了測試。

根據英特爾的說法，即使存在其他強烈氣味，該芯片也可以識別這些有害物質。將來這項技術可能使“電子鼻”和機器人能夠檢測武器、爆炸物、麻醉品甚至疾玻。

英特爾研究院科學家Nabil Imam在神經擬態計算實驗室中，手持一塊Loihi神經擬態測試芯片

比CPU快10000倍，功耗比GPU低109倍

根據官方資料顯示，英特爾Loihi芯片采用14nm制程工藝，管芯尺寸60毫米，包含超過20億個晶體管、13萬個人工神經元和1.3億個突觸。Loihi異步電路，不需要全局時鐘信號，而是采用可編程微代碼引擎，用異步脈沖神經網絡（SNN）或AI模型行進片上訓練，該模型將時間整合到其操作模型中，因此模型的組件不會同時處理輸入數據。

據悉，用英特爾Loihi芯片來處理稀疏編碼、圖形搜索、約束滿足問題等特殊應用，速度比傳統CPU快1000倍，效率比傳統CPU高10000倍，它還能將某些優化方案的速度和能效提高了超過三個數量級。英特爾表示，這將用于“高效”地實施自適應學習、事件驅動和細粒度并行計算。

“我們在實時深度學習基準測試中，證明使用Loihi芯片的功耗比GPU低109倍，比專用IoT推理芯片低5倍。”Applied Brain Research首席執行官、滑鐵盧大學教授Chris Eliasmith表示，“隨著我們將網絡擴展50倍，Loihi保持實時性能結果，僅使用30％的功率，而IoT硬件不能保證實時，還要消耗500％的功率。”

羅格斯大學教授Konstantinos Michmizos也介紹說，相比用CPU運行SLAM方法，Loihi的能耗低了大約100倍。

2019年7月，英特爾推出由64個Loihi芯片組成的800萬神經元神經形態系統Poihoiki Beach，供60多個生態系統合作伙伴用于決復雜的計算密集型問題。

除了英特爾外，IBM、惠普、麻省理工學院、普渡大學、斯坦福大學等機構都在推進類腦計算的相關研究，希望借助它來開發出更強大的計算系統。

不僅能識別氣味，還能用于醫療診斷和機場安檢

和嗅覺相似，人類的視覺、聽覺、回憶、情緒和決策都有各自的神經網絡，它們都以特定的方式進行計算。

而神經擬態芯片的研究與應用，充分證明了未來神經科學與人工智能交叉研究的廣闊前景。

據Imam介紹，化學傳感領域多年來一直在尋找智能的、可靠的和快速響應的化學傳感處理系統，或者稱之為“電子鼻系統”。

研究表明，神經擬態芯片的自我學習能力、低能耗特性、”仿人腦”結構以及神經科學的衍生算法可以創造一個”電子鼻”系統，它在真實情境下識別氣味比傳統解決方案要有效得多。

除了識別氣味外，Imam還看到了搭載神經擬態芯片的機器人在環境監測、危險物質檢測以及在工廠質量控制方面的應用潛力。

加州理工學院AMBER實驗室的Rachel Gehlhar和加拿大國家研究委員會的Terry Stewart用英特爾Kapoho Bay Loihi設備控制AMPRO3假肢，以使該假肢能夠更好地適應行走時無法預料的運動學障礙

神經擬態感應系統可以進行環境監測以及有害物質識別，從而幫助我們確定氣體物質及其排放來源。

內置神經擬態芯片的機器人可以在工廠各處移動，識別有害化學物質并進行精準定位，從而快速有效消除有害物質。

在國防安全方面，為了更好地偵查化學武器、炸彈、毒品等安全威脅，神經擬態芯片可以內置到機場、邊境、軍事基地等的偵查設備中。

此外，該系統還可應用于醫療診斷，因為患有某些疾病會散發出特定的氣味，為基于神經擬態的化學感應在醫學診斷中的應用提供了可能。

另一個例子是，搭載神經擬態芯片的機器人可應用于機場安檢區域，能夠更高效地識別危險物質。

Imam表示：“我的下一步計劃，是將這種方法推廣到更廣泛的應用領域，包括從感官場景分析（理解你觀察到的各種物體之間的關系），到規劃和決策等抽象問題。理解大腦的神經網絡如何解決這些復雜的計算問題，將為設計高效、強大的機器智能提供重要啟示。”

下一步挑戰：超越人類嗅覺

Imam也提到，嗅覺領域存在著一些挑戰。

當你走進一家雜貨店時，可能會聞到草莓的氣味，它的氣味可能跟藍莓或香蕉很像。有時候，人尚且難分辨出究竟是一種水果氣味，還是多種香味的混合。讓系統來辨認極其相似的氣味，同樣是難題。

“這些是目前我們在研究嗅覺信號識別時面臨的挑戰，”Imam表示：“我們期待在未來幾年內解決這些問題，這樣的產品才能解決現實世界的問題，而不僅僅是解決在實驗室演示的實驗性問題。”

Imam表示，了解大腦的神經回路如何解決這些復雜的計算問題，將為設計高效、強大的機器智能提供重要的參考依據，換句話說，如果我們能更透徹的了解大腦識別氣味的原理，那么可能會從根本上改變我們設計人工智能的方式。

從理論上講，Loihi可以擴展到最多16384顆芯片互連，那就是超過20億個神經元——人類大腦有大約860億個神經元。

英特爾和康奈爾大學當然不是唯一一個致力于訓練AI以檢測氣味的團隊。Google Brain小組正在與調香師合作，將氣味分子與感知到的氣味聯系起來。俄羅斯研究人員正在使用AI來嗅出致命的氣體混合物，并且研究人員試圖通過機器學習重現滅絕花朵的氣味。

除了神經形態計算領域外，Google、加拿大高級研究所、矢量人工智能研究所、多倫多大學、亞利桑那州立大學等機構的科研人員，已經研究了用人工智能方法來解決分子識別和氣味預測問題。

Google最近展示了一個模型，它比最先進的方法和來自“夢想嗅覺預測挑戰”（一項描繪氣味化學特性的競賽）的表現最好的模型還要出色。

另外，IBM還開發了Hypertaste，這是一種“人造舌頭”，可以識別“不太適合攝入”的飲料和其他液體。