當蘋果CEO庫克介紹iPhoneX時，他聲稱這將“為未來十年的科技發展開辟道路”。雖然現在下結論還為時過早，但用于面部識別的神經引擎是同類產品中的首創。如今，深度神經網絡已成為現實，而神經形態似乎是人工智能持續發展的唯一可行途徑。

來自法國的YoleDeveloppement最近發表的一份報告稱，面對數據帶寬的限制和不斷增長的計算需求，傳感和計算必須通過模仿神經生物學架構來重塑自身。Yole的成像首席分析師皮埃爾坎布（PierreCambou）解釋說，神經形態感知和計算可以解決人工智能當前的大部分問題，同時在未來幾十年開辟新的應用前景。“神經形態工程是仿生的下一步，并推動人工智能的發展。”

為什么是現在

數學家艾倫·圖靈提出“機器會思考嗎？”三十年前，加州理工學院的電氣工程師卡弗·米德引入了神經形態工程的概念。然而，在接下來的十年里，研究人員在制造具有類似大腦的學習和適應能力的機器方面幾乎沒有取得實際的成功。2006年，佐治亞理工學院（GeorgiaTech）展示了其現場可編程神經陣列，2011年，麻省理工學院（MIT）的研究人員展示了一種模擬大腦神經元如何適應新信息的計算機芯片。

轉折點出現在多倫多大學的一組科學家發表的論文《深度卷積神經網絡的ImageNet分類》。AlexNet架構由一個8層的卷積神經網絡組成，使得將ImageNet競賽中的120萬張高分辨率圖像分類為1000個類別（如貓、狗）成為可能。“只有隨著AlexNet的發展，深度學習方法才被證明更強大，并開始在人工智能領域獲得發展勢頭。”

目前大多數深度學習實現技術都依賴于摩爾定律，而且“它工作得很好”。“但是，隨著深度學習的發展，對能夠執行高計算任務的芯片的需求將會越來越大。”摩爾定律最近有所放緩，導致包括Yoledevelopment在內的許多業內人士認為，它將無法維持深度學習的進步。Cambou是那些相信深度學習“將會失敗”的人之一，如果它繼續以現在的方式實施的話。

為了解釋他的觀點，坎布列舉了三個主要障礙。首先是摩爾定律的經濟學。“很少有球員能夠上場比賽，我們最終會有一兩個晶圓廠在世界上超越7納米。我們認為，只有谷歌才能做一些事情，這對創新是有害的。”

其次，數據負載的增長速度快于摩爾定律，數據溢出使得當前的內存技術成為一個限制因素。第三，計算能力需求的指數增長為每個應用程序創建了一道熱障。“對于7納米芯片，我們的效率大約是每瓦特1萬億次浮點運算。要驅動一個Waymo，我們可能需要1千瓦，這意味著我們需要1000萬億次浮點運算，”坎布說。目前的技術范式無法實現這一承諾，解決方案可能是在神經形態硬件上應用深度學習，并利用更好的能源效率。

Cambou表示，從更廣泛的角度來看當前的情況，是時候采用一種顛覆性的方法了，利用新興內存技術帶來的好處，提高數據帶寬和電力效率。這就是神經形態方法。“人工智能的故事將繼續向前發展，我們相信，下一步將朝著神經形態的方向發展。”

近年來，有許多努力在建立神經形態硬件，傳達認知能力，實現神經元在硅。對于Cambou來說，這是“神經形態的方法是滴答所有正確的方框”，并允許更大的效率。“硬件使神經網絡和深度學習成為可能，我們相信它將使神經形態人工智能的下一步成為可能。然后我們可以再次夢想人工智能，夢想基于人工智能的應用程序。”

神經元和突觸

神經形態硬件正在走出研究實驗室，其興趣和目標都集中在傳感、計算和記憶領域。合資企業正在形成，戰略聯盟正在簽署，長達10年的研究計劃，如歐盟的人類大腦項目正在啟動。

雖然在2024年之前不會有大的業務，但在那之后的幾十年里，機會的規模可能是巨大的。據Yole說，如果所有的技術問題在未來幾年內得到解決，神經形態計算市場將從2024年的6900萬美元上升到2029年的50億美元和2034年的213億美元。這個生態系統是龐大而多樣的，有像三星、英特爾和SK海力士這樣的知名公司，也有像Brainchip、Nepes、Vicarious和GeneralVision這樣的初創公司。

神經形態芯片不再是一個理論，而是一個事實。2017年，英特爾（Intel）推出了Loihi，這是該公司首款由13萬個神經元組成的神經形態研究芯片。今年7月，圣克拉拉集團（SantaClaragroup）的800萬個神經元神經形態系統（代號為PohoikiBeach）達到了一個新的里程碑，該系統由64塊Loihi研究芯片組成。類似地，IBM的TrueNorthbrain-inspiredcomputerchip有100萬個神經元和2.56億個突觸，而Brainchip的Akidaneuromorformationsystem-on-chip有120萬個神經元和100億個突觸。

“在提供硬件方面存在競爭，這將提高神經元和突觸的標準。突觸可能比神經元更重要。“在Yole，我們看到前面有兩步。首先，將建立在當前方法上的應用程序，一部分是異步的，一部分來自馮·諾伊曼。Brainchip的Akida和英特爾的Loihi就是很好的例子。“然后，很可能在未來10到15年內，我們會在它上面加上RRAM（電阻式隨機存取存儲器）。這將創造出更多的突觸。”

神經形態計算的努力來自像美光、西部數據和SK海力士這樣的記憶體公司，但許多公司都在尋求更多的短期收益，最終可能不會成為神經形態研究的強大參與者。“我們應該關注那些選擇神經形態作為核心技術的小公司，”坎布說。

一些初創公司正在把非易失性內存技術與神經形態計算芯片設計結合起來。它們與Crossbar和Adesto等純存儲初創企業一起出現，但人們通常認為，它們的記憶電阻（memristor，即內存電阻）方法比pu回放計算公司的努力更為長期。Cambou說：“許多內存播放器正在研究RRAM和相變存儲器，以模擬突觸。”此外，“MRAM［磁阻隨機存取存儲器］是新興記憶的一部分，將有助于神經形態方法的成功。”

除了計算，一個神經形態感知生態系統已經出現，它源于1991年蘇黎世聯邦理工學院神經信息研究所的硅神經元。目前的競爭很弱，全球只有不到10家。其中，Prophesee、三星、Insightness、Inivation和Celepixel都在提供即時可用的產品，如基于事件的圖像傳感器和相機。在電影攝影中使用的基于框架的方法無法捕捉動作。

“電影在欺騙我們的大腦，但我們無法欺騙電腦，”坎布說。“唯一正確的方法就是給出眼睛正在給出的信息。基于事件的攝像機對于任何類型的實時運動理解和模式理解都非常強大。更廣泛地說，聽覺、圖像和行為傳感器“對我們所說的一般智力的各個層面都有影響”。

Yole表示，在封裝半導體領域，其預計神經形態傳感領域的投資將從2024年的4300萬美元增至2029年的20億美元和2034年的47億美元。

不僅僅是汽車

坎布說，汽車可能是最明顯的市場。然而，最初的市場是工業和移動的，主要用于機器人和實時感知。

短期內，神經形態傳感和計算將被用于工業機器的實時監控。它還將在物流、食品自動化和農業方面發揮重要作用。Cambou說：“雖然深度學習需要大量的數據集，但神經形態學僅通過幾張圖片或幾個單詞就能快速學習并理解時間。”

在未來十年內，混合內存計算芯片的出現將打開汽車市場，迫切地等待大眾市場的自動駕駛技術。“我們生活在一個交互的世界里，神經形態將在讓計算機理解非結構化環境方面發揮強大的作用。”

來源：搜狐