神經形態計算能夠大幅提升數據處理能力和機器學習能力，是高性能計算的下一發展階段。在2018年CNCC大會“神經形態芯片與神經形態計算機”論壇上，陳云霽、汪玉、吳南健、曾毅、唐華錦、趙地等嘉賓做了相關報告，新智元創始兼CEO楊靜作為論壇主持人。

以深度學習為代表的人工神經網絡是機器學習最重要的方法之一，在云端和終端都有非常廣泛的應用。然而傳統的CPU和GPU芯片在進行神經網絡處理時遇到了嚴重的性能和能耗瓶頸。

神經形態計算能夠大幅提升數據處理能力和機器學習能力，能耗和體積卻要小得多，或將引領計算機微型化和人工智能的下一階段。

目前，神經形態芯片已經進入工程化研發。IBM公司2014年8月所公布的百萬神經元級別的TrueNorth芯片，在執行某些任務時，其能效可達傳統中央處理器的數百倍，首次與人腦的大腦皮層有了可比之處。

英特爾的首款神經擬態芯片Loihi通過脈沖或尖峰傳遞信息，并自動調節突觸強度，利用環境中的各種反饋信息，進行自主學習、下達命令，也與人類大腦運行機制相似。

在2018年CNCC大會“神經形態芯片與神經形態計算機”論壇上，中科院計算所研究員、智能處理器研究中心主任陳云霽，清華大學電子工程系長聘副教授汪玉，中科院半導體所研究員、中國科學院大學教授吳南健，中科院自動化所研究員、類腦智能研究中心副主任曾毅，四川大學類腦中心主任唐華錦，中科院計算所副研究員趙地先后做了相關報告，新智元創始人兼CEO楊靜女士作為特邀嘉賓主持論壇及Panel環節。論壇共同主席為唐華錦、趙地。

在Panel環節上，吳南健、曾毅、唐華錦、趙地以及西南大學電子信息工程學院段書凱教授參與。

根據嘉賓演講內容，整場論壇大致可分為神經形態芯片、神經形態計算算法以及論壇Panel三部分。以下為論壇精要。

神經形態芯片新思路：ASIC之外的突破

首先是中科院計算所研究員、智能處理器研究中心主任陳云霽的演講題目為《深度學習專用處理器》。

傳統ASIC的思路無法解決深度學習處理的需求，寒武紀主要突破三大矛盾：

1、有限規模的硬件如何解決任意規模的算法；

2、結構固定的硬件怎么應對千變萬化的算法；

3、能耗受限的硬件怎么支撐精度優先的算法；

針對上述三個矛盾，寒武紀分別做了以下三個努力：

1、硬件神經元虛擬化。

學術創新：通過分時復用，將有限規模的硬件虛擬成任意大規模的人工神經網絡。

關鍵技術包括：

控制架構：支持硬件神經元的動態沖配置和運行時編程。

訪存架構：分離式的輸入神經元、輸出神經元和突出的片上存儲。

2、深度學習指令集。

學術創新：自動化抽取各種深度學習（機器學習）算法共性基本算子，設計首個深度學習指令集來處理這些算法。

關鍵技術包括：

算子聚類：自動化抽取算法核心片段，基于數據特性聚為少數幾類。

運算架構：設計共性神經元電路，支持變精度流水級。

3、稀疏神經網絡處理器結構。

學術創新：利用神經網對于計算誤差的容忍能力，進行稀疏化神經網絡處理，在有限的能耗下實現高精度的智能處理。

隨后，清華大學長聘教授汪玉博士做了《基于RRAM的神經網絡系統設計與探索》報告。

因為CPU和GPU效率不高，因此要把神經網絡應用于更廣泛的應用，需要定制硬件。FPGA可以成為神經網絡加速的理想平臺，因為它是可編程的，與通用處理器相比可以實現更高的能效。

然而，較長的開發周期和傳統的FPGA加速性能不足使其無法廣泛使用。汪玉介紹了一個完整的設計流程，采用深度壓縮和數據量化來利用算法中的冗余并降低計算和存儲器復雜性，以實現快速部署和高能效，以加速FPGA上的神經網絡。

另一方面，以存算一體化為基礎（例如基于RRAM等非易失存器件）的神經網絡計算平臺設計成為發展方向，報告還介紹了基于RRAM的深度學習處理系統設計，探討進一步提高能效的機遇與挑戰。

RRAM是電阻網絡的向量和向量的運算，只要一通電，數據流過，就會出結果，不需要搬數據，所以非常漂亮的一種方式。

但是這種方式真的是好嗎？最近幾年，這種方式能做出來的芯片都還非常的小。

汪玉團隊針對存算一體化系統中的一些關鍵問題展開研究，特別是數模混合系統的接口設計優化、如何用不可靠的器件設計可靠系統等方面開展大量研究。

接下來，中科院半導體所研究員、中國科學院大學教授吳南健做了《人工視覺系統芯片研究及發展趨勢》報告。

人工視覺系統芯片是單芯片集成視覺傳感器和視覺并行處理器，能夠模仿人類視覺系統的信息并行獲取和處理，可實現高速圖像獲取、傳輸、學習、記憶、識別和控制。

涉及到的核心技術涉及三點：視覺呈現、視覺信息處理、集成技術。

人工視覺芯片是典型的邊緣計算，要求實時處理能力強、功耗低、體積小，非常難設計，但應用前景廣泛，吳教授認為，3、4年內應該會大規模應用。

根據視覺獲取和處理方法不同，人工視覺系統芯片分為幀驅動和事件驅動視覺芯片。以下為兩種芯片的比較：

其中，事件驅動視覺芯片能夠檢測空間和事件光變化，以事件方式獲取信號、處理信號和輸出，相對幀驅動視覺芯片，事件驅動視覺芯片還處于起步階段。

目前，國際上的人工視覺系統芯片最新成果對比：

目前人工智能是計算速度與數據規模提升的結果，機器自我意識何時覺醒？

中國科學院自動化研究所研究員、類腦智能研究中心副主任曾毅做了《類腦智能：從類腦認知引擎到有意識的生命體》的報告。

類腦智能是通過受腦多尺度結構與計算機制啟發，探索人類智能本質與人類水平人工智能的重要途徑之一。報告從人類的心智是否能夠在計算系統中重現等科學問題出發，從人工智能、神經科學、認知科學融合的視角介紹類腦認知引的研究進展。

曾毅認為，目前的人工智能是計算速度與數據規模的提升。在曾毅看來，數據智能與機器智能并不是真正的智能，它們只是看上去很像智能的信息處理，與真正探索智能本質，基于機制的人工智能還相去甚遠。

他的演講著重介紹課題組在大規模多尺度腦神經網絡建模與模擬、類腦自主學習與決策及其在無人、機器人領域的應用方面。在此基融上，將進一步探討機器自我意識的初步探索并展望機器意識與人機社會的未來。

四川大學教授唐華錦教授做了《神經形態計算進展》報告。

與傳統人工智能方法不同，神經形態計算主要受神經科學發展推動，是建立在大腦神經電路結構和神經信息處理與神經脈沖計算原理上的新型計算模式，并最終以神經形態硬件方式來實現仿腦的認知計算與低功耗運算。

雖然在神經元和突觸層級神經科學已經取得了很大的進展，但神經元之間如何通過網絡連接取得復雜認知功能仍然缺乏了解。

唐華錦教授從神經形態認知計算領域需要解決的主要問題出發，介紹如下幾個方面內容：神經信息編碼、突觸可望性與學習算法，以及集成編碼與學習的系統模型，并討論神經形態計算領域的最新進展及展望。

隨后，中科院計算所副研究員趙地做了《神經形態計算與醫學影像分析》報告。

心電信號檢測與分析是心臟疾病患者的重要保障。現有的方法包括機器學習與一維深度學習。然而，現有的方法難以滿足心臟疾病患者全天候實時檢測高準確率和低能耗的要求。

趙地的研究基于脈沖神經網絡，將心電信號的時空特性直接編碼到尖峰序到中，通過基于 Izhikevich尖峰神經元的網路進行特征提取，并采用時間以來可塑性(STDP)算法進行優化,對心電信號指示的疾病進行識別。實驗結果表明，通過基于類腦計算的算法分析公共ECG數據庫和內部臨床試驗，準確率與能耗遠優于現有的方法。

中國自主芯片研發最關鍵著力點：生態

在論壇的panel環節，吳南健、曾毅、唐華錦、趙地以及西南大學電子信息工程學院段書凱教授參與，新智元創始人兼CEO楊靜女士擔任主持人。

楊靜：在貿易緊張背景下，中國遭“缺芯”之痛，產業界和學術界對于中國自主芯片的研發的最關鍵著力點究竟在哪兒？中國未來AI芯的最短板是哪里？我們該怎么辦？

嘉賓：英特爾和微軟是最佳的“聯姻”，形成WIntel生態。華為、阿里的芯片做出來了，但如果沒人用，做的再好也不會形成生態。我們國家在很早的時候做出了CPU和系統，但是很多軟件移植不到上面去。關鍵在于產學研要融合，企業要和學校緊密聯系，同時也應該建立起生態。

對于研究人員而言，應該主動和產業對接，成果優先在產業界轉化。

芯片的問題實際上是結構性問題，我們國家芯片開發長期以來落后，另一方面也反映對芯片開發缺乏信心。但是我國將近20年的集成電路發展，水平是可以達到國家的需求，希望系統廠商能有風險意識，應該有國內供應商。

楊靜：中國有哪些研發機構在神經形態芯片領域最有希望取得突破，最關鍵的應用領域有哪些？

嘉賓：總體來講，國家整體態勢跟美國相比可能有差距，差距還是在整體的生態和環境上，但是跟國際上其他國家相比還是有優勢的。今年以來，國內企業和學術機構發布的芯片在國際上達到較高水平。

在神經形態領域應該有提前布局，不管是基本單元的性能還是智能，以體系結構的視角提升高智能。

未來，自適應、自學習的芯片硬件是最有可能突破的方向。

楊靜：歐洲大腦計劃、美國大腦計劃或者中國大腦計劃都漸漸從公眾視野淡出，人類大腦計劃未來3年會出現新的突破么？目標會調整么？

嘉賓：信息論和圖靈機的模型定義在幾十年前，現在還是定義這樣，人類大腦計劃目標就是為了突破這種定義。

十年時間重新創造人類大腦是非常困難的，以現在神經科學在三維重建上的技術是不能實現的。這是萬米賽跑，大家都剛起步。

楊靜：2018年國際上神經形態芯片研發有哪些重大進展？是產業主導還是學術主導?

嘉賓：英特爾神經形態芯片不管是在規模還是性能上都是非常領先的，國內，寒武紀、地平線等公司做的芯片。

在憶阻器方面，整體上全球各個國家都有明顯的進步，清華、科學院微電子所、華中科大幾大團隊也在做。引起工業界關注的是利用光來進行神經擬態芯片研發。

新智元創始人兼CEO楊靜女士與論壇共同主席唐華錦（左一）、趙地