神经形态计算：受人脑启发的计算机科学新前沿

正文

请到「今天看啥」查看全文

利用并行处理和量子计算的新架构的开发使我们能够克服其中的一些问题。与此同时，计算机市场也开始提供更快的接口，用于在CPU和内存之间交换信息。神经形态计算方面的研究也在不断发展，以开发基于生物学原理和大脑机制的复杂计算系统。与基于冯·诺依曼架构的系统不同，神经形态芯片模拟人脑，试图模仿生物神经网络的结构和功能。

图3：冯·诺依曼架构示意图。(来源：维基百科[6])

神经形态芯片旨在以并行和分布式方式处理数据，从而能够更高效、更快速地处理大量信息，并遵循非线性数据表示方式，即同时而非按顺序处理信息。

传统架构系统和神经形态芯片之间的另一个本质区别在于管理信息的方式。传统处理器遵循确定性和线性逻辑，而神经形态芯片则采用概率性和自适应逻辑。这意味着这些芯片可以学习和适应新信息，而无需完全重新设计。

神经形态芯片可以有效地管理不同的工作负载，为处理不同的AI应用提供所需的灵活性。然而，在应用层面，神经形态计算超越了简单的机器学习和深度学习。事实上，这些芯片还可以用于便携式设备、机器人系统和物联网传感器网络，在这些应用中，能源效率和实时处理数据的能力对于项目的成功至关重要。

在功能层面，神经形态芯片由内存计算架构组成，其中没有中央存储器和中央处理单元，但存储和计算电路是分布式的，因此我们有许多小存储器和计算单元(图4)。

图4：内存处理架构。(来源：Mythic[7])

高通Zeroth芯片旨在模拟人类智能

高通是领先的移动设备半导体制造商，在神经形态技术开发方面投入了大量资金。高通试图通过Zeroth项目将神经形态计算功能集成到移动设备中，目的是将人工智能直接引入智能手机和边缘设备。Zeroth系统基于一种神经形态架构，能够像人脑一样不断进行学习、适应和改进。

该系统的主要优势是能够直接在设备上执行高级人工智能操作，而无需外部云进行数据处理，从而显著降低了延迟，使智能手机、无人机和物联网设备能够自主运行并适应周围环境。搭载Zeroth的设备可以实时学习识别图像或语音，并通过本地学习不断提高其准确性。

高通已将Zeroth项目集成到其骁龙处理器生态系统中，该系统已在全球数百万台移动设备中使用。集成后，智能手机可以直接实现面部识别、自然语言分析和物体识别等高级功能，而无需额外的处理能力或高电池消耗。

Zeroth的潜力与未来的人机界面尤其相关，在这种界面中，设备必须能够理解人机交互并做出智能响应。

利用BrainChip的Akida实现机器人和汽车的高级AI

BrainChip公司是神经形态计算领域的另一先驱，其旗舰产品Akida芯片专为机器人、自动驾驶汽车和智能视频监控等实时AI应用而设计。Akida基于一种模拟生物大脑功能的脉冲神经网络技术，使芯片具有极高的能效，适用于边缘系统。

Akida的一个显著特点是它支持增量学习。这意味着一旦在系统中实施，它就可以提高其性能，而无需完全重新训练。这对于自动驾驶等应用来说是一个巨大的优势，因为在自动驾驶中，车辆必须能够不断适应新的情况和环境。

请到「今天看啥」查看全文