翻譯自——nextplatform

英特爾最新的神經形態系統——Pohoiki Springs，該系統于2020年3月發布，它集成了768個Loihi神經形態研究芯片，其底盤大小相當于5臺標準服務器。據悉，英特爾發布的這一款面向神經擬態計算的實驗研究系統，是一種可模擬人腦工作方式的先進方法，僅用極少能量就能更快完成計算。

神經形態計算要成為系統的一部分還有很長的路要走。盡管一些用例顯示了顯著的前景，但將問題映射到架構仍然是一個不小的挑戰。此外，像量子計算一樣，大多主要的芯片和系統廠商都對探索技術可能性深感興趣，英特爾也不例外。

由于可以用神經形態芯片解決的問題范圍仍然有限，英特爾將重點放在了一個非常具體的用例上，以突出基于“Loihi”架構的64芯片系統的進步。它們使用一個叫做“Pohoiki Springs”的系統，它已經擴展到768個Loihi芯片(1億個神經元)，把它安裝在一個5U機架底座的英特爾處理器中，并展示了一個神經形態系統如何用一個小的訓練樣本，在一個只消耗300瓦功率的系統中如何精確的地識別氣味。

神經擬態芯片將成為未來主要武器？

據技術研究公司Gartner預測，到2025年，神經擬態芯片將成為新的高級人工智能部署的主要計算架構。Gartner預計，到2025年，該技術有望取代圖形處理器，成為用于AI系統（尤其是神經網絡）的主要計算機芯片之一。神經網絡用于語音識別和理解，以及計算機視覺領域。

通過神經擬態計算，只需使用在傳統計算硬件上訓練機器學習模型所需的一小部分數據，即可訓練機器學習模型。英特爾神經擬態計算實驗室主任Mike Davies表示：“這意味著模型的學習方式類似于人類嬰兒的學習方式，只需看一眼圖像或玩具，就能永遠記住。”

“如此就[有可能]實現一些今天難以處理的計算”，因為這些計算需要消耗大量能量或耗用太多時間。Davies還表示，如果出現大范圍停電的情況，神經擬態計算可以自動幫助識別某些最迫切需要電力的區域。神經擬態計算還可以幫助消費者更準確地找到與特定產品圖片相似或匹配的物品。

Davies表示，Pohoiki Springs系統不同于傳統機器，其內存和計算元件彼此交融，而不是相互獨立。這樣就能把數據傳輸的距離降至最低，因為在傳統計算架構中，數據必須在內存和計算之間來回流動。

英特爾研究人員最近使用單個神經擬態研究芯片來訓練AI系統識別有害氣味，每個氣味使用一個訓練樣本，而先進的深度學習方法則需要使用3000個樣本，因此神經擬態計算所需的能量極低。

在實驗中，機器學習模型能夠檢測出化學傳感器中不同的氣味，例如氨、丙酮和甲烷的氣味，即使它們被不同的氣味所掩蓋。這些氣味表明可能存在爆炸物和毒品。

Pohoiki Springs系統的機箱為五個標準服務器大小，內部有大約770個這樣的神經擬態研究芯片。Davies表示，該系統擁有大約1億個神經元的計算能力，大致相當于鼴鼠的大腦。

埃森哲技術研究院（Accenture Labs）首席研究科學家Edy Liongosari表示，神經擬態計算的其中一項主要優勢包括，可以用更低能量執行基于AI的計算。

能耗會對大規模AI部署形成阻礙。麻省大學阿默斯特分校的研究人員稱，開發一款AI模型，其碳足跡就相當于五輛普通美國汽車的終生排放量。

自2018年以來，埃森哲技術研究院就一直與英特爾的神經擬態計算研究人員合作，研究該技術能在哪些方面對聯網設備（例如持續進行運動檢測的安全攝像頭）中使用的AI算法帶來幫助。神經擬態芯片最終有可能嵌入攝像頭中。“在某些用例中，能量彌足珍貴，”Liongosari先生表示。

這種攝像頭會不斷對大量數據進行分析，因此需要使用能量來識別入侵等異常情況。神經擬態計算可以為機器學習算法提供幫助，使用遠少于傳統算法的訓練數據就能識別入侵。

Pohoiki Beach真的能夠像人類大腦那般思考？

對于新研制的“Pohoiki Springs”是基于英特爾的“Nahuku”基板，每個板包含8到32個Loihi處理器，它是一個由2到8個板組成的64處理器系統(英特爾沒有提供確切配置的細節，包括芯片和基板是如何聯網的。同樣的系統現在已經擴展到前面提到的768個芯片。

Loihi是2017年9月英特爾實驗室推出的自學習神經形態芯片，基于14nm的制程工藝，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。它作為多核網格的實現，到2020年將大幅增加，神經元數量將超過100萬個。每個核心包含一個“學習引擎”，可以支持不同類型的人工智能模型，包括監督、非監督和強化學習等。根據Intel介紹，Loihi在處理稀疏編碼、圖形搜索和約束滿足問題等應用程序方面比cpu快1000倍，效率高10000倍。該芯片已經通過云服務和Kapoho Bay平臺(一個基于Loihi的USB形狀因子設備)提供給英特爾神經形態研究社區(INRC)的研究人員。

與大腦一樣，Loihi處理某些高要求的工作負載的速度比傳統處理器快1000倍，效率高10000倍。Pohoiki Springs是擴展此架構的下一步計劃，以評估其解決人工智能問題以及解決各種計算難題的潛力。英特爾研究人員認為，與當今最先進的傳統計算機相比，神經形態系統的極端并行性和異步信令可能在大幅降低功率級別的情況下提供顯著的性能提升。

據英特爾神經形態計算項目的負責人Mike Davies介紹，這些特殊的系統可以被醫生用來嗅出疾病，比如在機場探測武器、藥物、炸彈或危險化學品的制造地點。

雖然使用專門的神經形態體系結構和繁瑣的編程套件來完成所有這些工作聽起來有些牽強，但是神經網絡也可以選擇類似的模式(就像谷歌和其他人所展示的那樣)，神經形態系統有一些傳統的深度學習模型和機器無法觸及的特性。能源效率和時間是兩個最突出優勢。

效率的提高來自于在神經形態系統上完全集成計算機和存儲器。流指令和數據不需要通過單獨的內存。所有東西都集成到一個分布式的計算和內存結構中。Davies解釋，這一切都歸結于不對稱特性。“想讓系統進行通信是一個能量消耗問題。如果你沒有發送任何0二進制值就意味著不使用能源。以這種時間方式發送信息，在某個時間點發送編碼是一種發送信息的方式，你可以用這些代碼來計算，這樣你就可以選擇“0”狀態。“問題是，要達到那種狀態，需要重新思考算法。這就是“spiking”神經形態系統中尖峰的全部含義。

“Pohoiki Springs將我們的Loihi神經形態研究芯片擴大了750倍以上，同時運行的功率水平低于500瓦。該系統使我們的研究伙伴能夠探索在傳統架構(包括高性能計算(HPC)系統)上運行緩慢的工作負載的加速方法。”

根據滑鐵盧大學教授、應用大腦研究部聯合首席執行官Chris Eliasmith的說法，Loihi芯片在運行實時深度學習基準的功耗降低了109倍，而與專用物聯網推理硬件相比，功耗則降低了5倍。如果將網絡規模擴大50倍，Loihi能夠保持實時性能表現，功耗卻只增加了30%，傳統物聯網硬件功耗則已經增加了500%。

所以英特爾Pohoiki Beach系統擅長的工作十分突出。工作人員能夠利用這套系統高效擴展新型神經啟發式算法——例如稀疏編碼、同步定位和建圖（SLAM）以及路徑規劃，這些算法能夠根據輸入的數據進行學習和調整。Pohoiki Beach是英特爾神經擬態研究工作的重要里程碑，它為英特爾研究院在今年晚些時候將該架構擴展到1億個神經元的計劃奠定了基礎。

舉個例子，英特爾Pohoiki Beach系統可以突破傳統通用計算技術的性能桎梏，對諸如自動駕駛、智能家居、網絡安全有更明顯的效率提升效率。由于不需要全局時鐘信號，使用的是異步脈沖神經網絡(SNN)，Pohoiki Beach能更高效的解決數量龐大IoT物聯網所帶來的問題。

從理論上說，英特爾Loihi芯片可以擴展到最多16384顆芯片互連，相當于20億個神經元，能夠接近人腦860億個神經元2%的數量。不要小看對比數字微不足道，摩爾定律在前沿領域依然奏效，如果有需要，Loihi的參數也將會呈指數級增長。能模擬人腦方式進行思考的方式，興許不會太遙遠了。