除了會看會聽，還會“聞”。近日，一直致力于模仿人類五感的人工智能又有新突破，通過神經擬態芯片，人工智能已經掌握了丙酮、氨和甲烷等10種氣味的神經表征，強烈的環境干擾也不會影響它對氣味的準確識別。這項由英特爾研究院與美國康奈爾大學共同參與的研究成果，日前發表于《自然·機器智能》雜志上。

神經擬態即通過模擬人腦神經元的工作機制，讓計算機具備像人一樣的自然智能特性。英特爾公布的另一項研究顯示，將上述768塊神經擬態芯片集成在5臺標準服務器大小的機箱中形成的神經擬態系統——Pohoiki Springs，已經相當于擁有了1億個神經元的大腦，而這相當于一個小型哺乳動物的大腦神經元數量。

通過堆疊芯片形成的神經擬態系統似乎讓我們看到了“機器可以和人一樣聰明”的希望，那神經擬態芯片及大規模集成系統的就緒，是否意味著“強認知、小樣本學習”的神經擬態計算有了規模商用的可能？

神經擬態訓練無需大量樣本

目前深度學習算法作為實現人工智能的重要技術手段，被廣泛應用于各類人工智能成果中。對于以深度學習算法為支撐的人工智能成果，數據可以說是研究的血液。數據量越大，數據質量越高，深度學習所表現的性能也就越好。但在不少研究環境中，由于涉及隱私安全以及客觀條件限制，有效數據難以獲得。

“深度學習雖然取得了長足進步，但仍局限在圖像和語音等方面的分類和識別中。”英特爾中國研究院院長宋繼強說，人類視覺、語音兩類數據容易獲得和標注，滿足了深度學習的必要條件，研究及應用相對成熟，但味覺和嗅覺的研究卻沒那么樂觀。

對于傳統的人工智能來說，主流的深度學習方法，可能需要設置上億個參數，訓練數十萬次，才能辨別出貓和狗的區別，更不用說更為陌生的氣味識別領域。但是，即便對于一個幾歲的嬰孩來說，他們辨認動物、識別氣味只需要幾次就夠了。

普通人經過訓練能區分三四百種到數千種氣味，但現實世界可以區分的氣味超過萬種。為模擬人類嗅到氣味的大腦運行機制，研究人員采用了一套源自人類大腦嗅覺回路結構和動力學相結合的神經算法訓練神經擬態芯片，僅需單一樣本，神經擬態芯片便可學會識別10種氣味，且不會破壞它對已學氣味的記憶。

宋繼強表示，即便是此前最先進的深度學習解決方案，要達到與神經擬態芯片相同的分類準確率，也需要3000倍以上的訓練樣本。

“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。”英特爾神經擬態計算實驗室高級研究科學家納比爾·伊瑪目說，下一步計劃將這種方法推進到更廣的應用領域，包括從感官場景分析到規劃和決策等抽象問題。

芯片向人腦進化成為可能

一只瓢蟲的大腦有25萬個到50萬個神經元，蟑螂的大腦有100萬個神經元，斑馬魚的大腦有1000萬個神經元，小型哺乳動物大腦有1億個神經元。

自然界中，即使最小的生物也能解決極為復雜的計算問題，很多昆蟲大腦的神經元數目遠低于100萬個，卻能實時跟蹤物體、導航和躲避障礙物。而人類大腦由860億個互相連接的神經元組成，要讓人工智能變得和人一樣聰明談何容易。

目前由兩個上述神經擬態芯片組成的神經擬態系統有26.2萬個神經元，相當于擁有了一只瓢蟲的智慧，而由768塊神經擬態芯片組成的神經擬態系統的智慧則追上了倉鼠。

如果神經元的組織方式決定了大腦的思考方式，那么實現神經擬態計算，首先需要構建一個模擬大腦神經元工作的計算芯片。宋繼強說：“我們試圖觀察、學習和理解大腦的運行，并在計算機芯片上復制。”

德國海德堡大學物理學家卡爾海因茨·邁耶是神經擬態學工程師們的領軍人物，在他看來，人類大腦具有低功耗、容錯及無需編程三大特點，雖然人類大腦功率只有20瓦特左右，并且時刻都在失去神經元，卻不影響它對這個世界的運算、理解和應對。相比之下，試圖模擬人腦的超級計算機卻必須預設算法，動輒需要幾百萬瓦特的功率，失去一個晶體管就能破壞一個微處理器。

宋繼強說：“深度學習的功率越來越高，現在即便訓練一個圖像識別模型，都需要數千瓦特，能源消耗已成為大規模AI部署的障礙。”

而擁有存儲和計算一體結構的神經擬態芯片，節約了傳統計算架構中處理單元和存儲器間通信所消耗的時間和功耗。

2017年，全球首款自主學習神經擬態芯片問世，包含13萬個神經元和1.28億個突觸，使芯片向人腦進化成為可能。

如果說深度學習是通過大量標注數據讓機器學習解決某一問題，如AlphaGO沒有學習象棋前，只會下圍棋，神經擬態計算就是通過模擬人腦神經元工作機制，讓人工智能不只局限于某一領域。

在神經擬態芯片展示的學會的各種能力中，不僅包括實時識別手勢、使用新型人造皮膚閱讀盲文、還包括通過自主學習獲得視覺地標確定方向及學習新氣味，而上述每項功能只消耗數十毫瓦。

有專家認為，這一突破為科學研究需要的可自主、互聯的實時、動態數據處理新方法奠定了基礎，擴展了蓬勃興起的邊緣計算應用前景。

要商用還需通用計算架構

在深度學習、機器學習之后，神經擬態計算被認為是推動人工智能進入新階段的重要手段。雖然量子計算也擅長大規模計算，在某些任務中，它的理論可擴展性甚至超過神經擬態系統，但相比神經擬態計算，量子計算離真正商用還有不小的距離。

雖然看上去神經擬態芯片的商用比量子計算更近一步，部分研究機構已展示了很多神經擬態計算應用，但要大規模商用，還需要解決通用性不足的問題。

“距離將產品推向市場，我們還要等待數年。”英特爾神經擬態計算實驗室主任邁克·戴維斯說，我們真正感興趣的是找到一種像馮·諾依曼架構那樣相對通用的新型計算架構。這才是真正擴展可應用通用計算產品組合的開始。

研究機構Gartner預測，2025年，神經擬態芯片有望取代GPU，成為先進人工智能部署的主要計算架構。

宋繼強不完全認同這種說法：“機器學習在很多領域依然是目前最好的訓練、學習手段之一。只有將多種技術靈活的運用到人工智能領域，它才能真正成為惠及民生的產業。”

宋繼強強調，Pohoiki Springs等神經擬態系統仍處于研究階段，設計目的并非取代傳統的計算系統，而是為研究人員提供工具來開發和描繪新的算法。