模拟人脑芯片问世!可解决世界最棘手的计算难题!
2016-04-01 14:37:00   来源:环球网
内容摘要
美国劳伦斯利弗莫尔国家实验室将于2016年3月31日开始测试一台价值100万美元的计算机,这台计算机集成了16个用来模拟人脑工作方式的微处理器,为同类计算机的首创。英特尔公司则准备用100万颗ARM芯片来“复制”人脑的工作。

模拟人脑芯片问世!可解决世界最棘手的计算难题! 科技世界网


国际商业机器公司(IBM)在2014年首次推出使用True North芯片的电脑,这款芯片与当前服务器或个人电脑中使用的芯片截然不同。该芯片集合了54亿个晶体管,构成了一个有100万个模拟神经元的网络,这些神经元由数量庞大的模拟神经突触相连结。

2016年3月30日消息,为解决世界上最棘手的一些计算难题,美国劳伦斯利弗莫尔国家实验室(Lawrence Livermore National Laboratory)正从人脑中获取灵感。该实验室将于2016年3月31日开始测试一台价值100万美元的计算机,这台计算机集成了16个用来模拟人脑工作方式的微处理器,为同类计算机的首创。

IBM加入了高通和微软等公司的行列,设计用于加快计算算法速度的专门芯片。True North这类芯片更适合于被称为深度学习的人工智能技术,该技术也是对人脑的一种模拟,尚未经过检验,但非常引入入胜。

IBM研究人员摩德哈(Dharmendra Modha)称,虽然从某种程度上说,大脑的构成看起来相当简单,但它能解决一些非常复杂的问题。摩德哈从事True North的研发工作已近12年。

IBM表示,True North广泛投入商用还需五至七年时间,但劳伦斯利弗莫尔国家实验室的测试是朝着这一方向迈出的一大步。

像人脑一样,True North不需要消耗很多能量。服务器芯片的功耗一般在150瓦以上,而True North芯片的功耗只有2.5瓦。

不过True North无法运行一台网页服务器,甚至也不能在一个Excel表格中写几列数据。该芯片旨在执行下一代的任务,例如图像识别,或是某类人工智能应用,就像最近谷歌母公司Alphabet的AlphaGo软件击败韩国围棋大师李世石那样。

劳伦斯利弗莫尔国家实验室的计算机科学家范埃森(Brian Van Essen)称,对于深度学习应用以及更广泛的机器学习应用而言,True North非常有用。


英国科学家使用100万颗ARM芯片模拟人脑运行

芯片 科技世界网

英特尔高管麦克尼(Sean McGuire)曾透露说,英特尔曾预见处理器的计算能力将可以媲美大黄峰的大脑。大黄蜂是野蜂的一种。

英特尔还说公司正在向另外的目标前进:让处理器计算能力可以与三只鸽子、六只老鼠和一只大黄蜂相比。研究者说压缩更多的晶体管,使逻辑电路的数量可以与大黄蜂相比,这是很好的事。

最近,一个新的处理器计划出炉,它准备用100万颗ARM芯片来“复制”人脑的工作。这无疑是对英特尔的挑战。英国曼彻斯特大学科技家将把ARM芯片联结起来,作为巨型电脑的系统架构,取名“SpiNNaker”,又叫Spiking Neural Network架构。

不要认为它就能与人脑相提并论,科技家所建立的模型只及人脑的百分之一。

目前芯片已经送达、正在进行功能测试。

曾经,科学家也用迅驰芯片进行过相似的实验。新实验由史蒂夫·菲布尔(Steve Furber)领衔,它有望成为神经系统科学家和心理学家理解人脑工作的革命性工具。

SpiNNaker的目标是复制1000亿神经原以及10亿个连接的工作,神经原和连接能让细胞具备高连通性。SpiNNaker会模拟神经原的信号,每一次脉冲变成数据,正如互联网上的信息一样。数据发送到其它神经原,相当于ARM处理器实时解决一个方程式。

芯片由曼彻斯特设计,在中国台湾生产,每一个包括18个ARM处理器。18核芯片可以提供一台PC的计算能力,但只占用小部分空间,能耗不到一瓦特。

SpiNNaker一旦成功,不仅可以提供科学研究工具,菲布尔还希望能帮助计算进化。他说:“它将帮助分析人脑的中间水平能力……在建立更可靠的计算系统上也有帮助。随着芯片制造越来越接近摩尔定律的极限,晶体管变得越来越不可靠。制造晶体管对电脑系统的影响也越来越大。”

生物却并不这样。菲布尔说:“从生物角度看,对问题神原的反应相当好,所有大脑都一样,这有助于让未来芯片变得更可靠。”


中国科学家成功研发出模拟人脑芯片

芯片 科技世界网

浙江大学与杭州电子科技大学两校合作研发的模拟人脑芯片——“达尔文”芯片成功问世。这是中国首款支持脉冲神经网络的类脑芯片,该芯片借鉴大脑神经网络的结构和工作原理进行计算,有望创造出更省电、高效、智能的计算系统。

浙江大学博士生徐小强说:“我现在是控制着跳跃的黄色的篮球,我控制它往左边跳或者右边跳,让它追踪白色的小球。现在大家看到这个黄色的球是在左边,我现在控制它去追右边白色的小球。然后追到以后白色的小球的位置又是随机生成的,然后我继续控制黄色的小球去追它。”

研究人员演示的这款脑电波意念控制小球的应用,是浙江大学和杭州电子科技大学的研究团队为“达尔文”开发的一款展示应用。

浙江大学微电子学院朱晓雷博士表示,人的意念去控制电脑小球,传统的方式都是基于传统的芯片,计算机芯片,还有一个传统的软件上去实现,我们这个可以直接用达尔文这个芯片本身模拟人脑思维方式,去处理意念信号来控制小球的运动。

研究人员介绍,类脑芯片将生物神经网络的概念应用于计算机系统,与传统计算机芯片中处理器和储存器分开的结构不同,在类脑芯片中的处理器和储存器就像生物脑中的神经元和神经突触,紧密相连。在信息传导过程中,只有接受并处理脉冲信号的“神经元”才被激活,其他“神经元”则可以处于睡眠状态。此次研发的芯片在25平方毫米中载有2048个“神经元”、400万个“神经突触”。

浙江大学微电子学院朱晓雷博士说:“它的最大的一个优势是在处理一些对外界感知的一些信号的时候,它对硬件的开销,对硬件的消耗会比较少,传统我们用传统计算机那些硬件来实现的话,硬件开销会比较大,功耗也会比较大。”

研究人员表示,类脑芯片直接以脉冲信号形式进行信息传递与处理,与生物神经网络更加接近,也就更加有利于构建脑机融合系统。这是中国科学家研制出具有自主知识产权的首款类脑芯片,是中国在类脑计算领域的一大突破。


AlphaGo“对战”人类智商?什么是人工智能?

围棋 科技世界网


AlphaGo与李世石的围棋对决已经落下帷幕,最终结果以AlphaGo以4胜1负的战绩击败对手收局,这也是人工智能程序第一次在围棋上战胜人类,也让人工智能一时间成为人们关注的焦点。人工智能到底是什么?是否真的会像电影里那样演变成凌驾人类之上的高级智慧体?现在的人工智能到底发展到了什么阶段?今天我们就来聊聊关于人工智能的那些事儿。


什么是人工智能?

到底什么是人工智能?怎样才能认定一个人造物具有了智能?这个界定的标准是什么?

首先我们来看看人工智能最表面的定义,即机器智能(Artificial Intelligence,简称AI),是指由人工制造出来的系统所表现出来的智能,通常通过普通电脑实现。

尽管定义就这么短短一句话,但是内里却有很大的可探讨性。按照定义,人工智能就是人工制造出来的智能,但是人工制造这个好定义,但是什么是“智能”却有很大的争议。

通常来说,我们对于人工智能的理解就是能够模拟人类的思考方式,并利用计算机自身的强大运算能力,从而实现超过人类的逻辑推演。

但是人类的思维远远不只是“逻辑思维”这么简单,在我们的理性思维之外,还有大片的非理性思维,这是不是也算是智能的一部分?包括自我意识、心自由意志和无意识这些人类自己都没有探索完全的精神领域,都是对人工智能界定的争论点。

这么说可能比较枯燥,我们还是用实例来说明关于人工智能判定界限的争论。在斯皮尔伯格的电影《人工智能》中,由裘德·洛扮演的性爱机器人对于“爱”的感知有一套严格的判断系统,即根据对方的体温、瞳孔性状、气味等等是否达到预设值来判定。对于这一种系统,有人认为已经达到人工智能的标准,有观点则认为这与传统机器并无太大差别,并不能算是人工智能。

后一派观点接受的是电影中主角小机器人这样的系统才能称之为人工智能。我们可以看到小机器人对于“爱”的感受来自于内心深处,是一种模糊的判断,是一种直觉反应,而非程序设定。这也是有网友评论说“如果AlphaGo是故意输一局才叫真的人工智能”的那种判断标准。当然达到这种级别的人工智能现在还为时尚早。

从这两派的争论焦点来看,是否可以成为人工智能的标准关键在于是否一定需要具备人类所特有的非理性思维。这就又涉及到了社会学、伦理学和哲学的范畴,所以至今无定论。

但是如果人工智能的条件如此苛刻的话,那么当今实际应用领域的人工智能都无从谈起了,因此笔者更为倾向更宽泛的定义。


AlphaGo的意义何在?

为什么AlphaGo和李世石这一次的围棋大战引得如此大范围的关注?这与1997年那一次“深蓝”与卡斯帕罗夫的国际象棋大战又有何不同呢?

首先“深蓝”与AlphaGo最大的不同在于前者是计算机,而后者是一个程序。“深蓝”与卡斯帕罗夫的国际象棋大战实际是对计算机运算能力的一次考验,系统在得到国际象棋的规则之后,利用计算机的强大运算能力与卡斯帕罗夫“硬碰硬”,实际在人工智能层面还处于早期阶段。

但是AlphaGo这一次的围棋则不同,首先围棋自身的特殊性就与国际象棋有很大的区别,围棋几乎可以说没有规则可言,所有都是基于目的的临时决策。而正是没有规则,程序本身的行动决策就无法按照既定的程式来运行,而是需要更多的套路和“灵光一闪”。

当然,围棋的运算量本身就远远大于国际象棋,但如果仅仅是运算力的提高,即使是提高万倍,也只是数的变化,而不会达到质变。AlphaGo相比“深蓝”的质变在于学习的能力和“思考”的能力。

AlphaGo的数据基础不是围棋的游戏规则,而是海量棋手的棋路,通过不断地融汇学习来掌握下围棋的思路,这就有人类思维的一些特征了,即不靠预设,而靠自身的学习总结。

AlphaGo最终战胜李世石,说明人工智能在自主学习能力上已经达到了一个新的高度,可以做到“从有到精”的程度了。(如需转载,请注明来源自科技世界网)


新闻链接:

预计2020年发明人工智能计算机

IBM推出人工智能服务Verse

美研发模拟大脑软件可破解验证码 人工智能实现第一步