初創(chuàng)公司即融資上億，「人造超級大腦」賽道為什么不是噱頭？

　　這不前陣子，馬斯克揚(yáng)言已將大腦上傳到云端，并與虛擬版本進(jìn)行交談。

　　關(guān)于人造大腦這事兒，再次引發(fā)了熱議：

　　人類是否能構(gòu)建跟人腦一樣的機(jī)器腦?

　　事實(shí)上這個問題，不光是理念，更已經(jīng)是一種實(shí)踐方向——歸屬于類腦計(jì)算的范疇。作為下一代人工智能的“種子選手”，它有望打破傳統(tǒng)馮諾伊曼架構(gòu)，引領(lǐng)新的計(jì)算變革。

　　不過發(fā)展至今，類腦計(jì)算始終呈現(xiàn)出正負(fù)兩極的評價(jià)。

　　一面是業(yè)內(nèi)如火如荼的融資進(jìn)展。據(jù)相關(guān)機(jī)構(gòu)預(yù)測，2035年類腦計(jì)算的市場規(guī)模約200億美元。另一面則是腦機(jī)制研究不深入、沒法復(fù)刻出相仿的神經(jīng)網(wǎng)絡(luò)等質(zhì)疑。

　　到底是口耳相傳的噱頭，還是實(shí)打?qū)嵉挠部萍纪黄?

　　借著這一契機(jī)來盤一盤類腦計(jì)算到底什么來頭?

　　什么是類腦計(jì)算

　　與人工智能、機(jī)器學(xué)習(xí)類似，類腦計(jì)算目前沒有明確的定義。以至于有關(guān)它的英文表達(dá)，也不止一種：

　　Brain-like Computing(仿腦計(jì)算);Brain-inspired Computing(腦啟發(fā)計(jì)算);Neuromorphic Computing(神經(jīng)形態(tài)計(jì)算)……

　　不過字面拆解來看，類腦計(jì)算就是借鑒生物大腦的信息處理機(jī)制，以此誕生的一種新型計(jì)算形態(tài)。

　　與現(xiàn)有計(jì)算機(jī)相比，生物大腦(以人腦代表)有諸多優(yōu)勢。中科院院士、浙大校長吳朝輝曾撰文，主要有以下幾點(diǎn)：

　　功耗低，僅20瓦左右;

　　容錯性強(qiáng)，即便少部分神經(jīng)元死亡，對整體功能影響不大;

　　并行處理信息;

　　神經(jīng)網(wǎng)絡(luò)可塑性好，可根據(jù)環(huán)境變化自主學(xué)習(xí)和進(jìn)化。

　　而以神經(jīng)科學(xué)為導(dǎo)向、以大腦為模仿對象的類腦計(jì)算，既保留計(jì)算機(jī)本身優(yōu)勢，又疊加了大腦處理機(jī)制的buff，比如低功耗、自主決策學(xué)習(xí)、并行處理等特點(diǎn)，自然成為引領(lǐng)新一代計(jì)算變革的種子選手。

　　近年來，人工智能，尤其是深度學(xué)習(xí)取得了令人矚目的成果，在某些方面的表現(xiàn)甚至已經(jīng)超越了人類。

　　但與自然智能相比，深度學(xué)習(xí)在效率、功耗以及通用性上仍有一定的局限性，遠(yuǎn)沒有達(dá)到真正意義上的智能程度。

　　類腦計(jì)算另辟蹊徑，于是就成為科學(xué)家們的研究重點(diǎn)。

　　但想要實(shí)現(xiàn)真正的類腦并非那么容易，即便上世紀(jì)末科學(xué)家們就已經(jīng)開始探索。清華大學(xué)集成電路學(xué)院何虎教授將其形容為珠峰。誰也不清楚，哪一條路會攀上頂峰。

　　目前，類腦計(jì)算大體可分成三種探索方向：

　　模擬神經(jīng)元結(jié)構(gòu)和功能，簡單來說就是仿真真實(shí)大腦機(jī)理，進(jìn)而探索大腦內(nèi)部的“運(yùn)作模式”。

　　最新代表性進(jìn)展來自北京智源人工智能研究院給出的“智能線蟲”——天寶1.0。

　　它完整模擬出秀麗隱桿線蟲的神經(jīng)系統(tǒng)——302個神經(jīng)元，以及數(shù)千個連接，并為它構(gòu)造了3D流體仿真環(huán)境。它可以在其中蠕動前行，并具備簡單趨利避害的能力。

　　不過這種逆向工程——從生物體環(huán)境提取出抽象的數(shù)字模型，存在一定的局限性。

　　一言以蔽之，就是生物大腦本身的復(fù)雜度。

　　正如何虎教授所介紹：一方面，大腦環(huán)境過于復(fù)雜。抽象出的大腦模型，相當(dāng)于只是簡化版。另一方面，結(jié)構(gòu)和功能之間“有壁”。即便成功構(gòu)建了大腦結(jié)構(gòu)，距離真正實(shí)現(xiàn)其功能還有很長的路要走。

　　這一路徑目前還停留在學(xué)研階段，在此就不進(jìn)一步深入展開。

　　核心來看剩下兩種路徑：模擬神經(jīng)網(wǎng)絡(luò)以及開發(fā)新型電子設(shè)備。更通俗來講，即軟件算法層面，或硬件芯片層面上對大腦機(jī)制的模擬。

　　為了便于理解，將類腦計(jì)算與當(dāng)下主流的深度學(xué)習(xí)作為對比。

　　先來看軟件算法層面，生物神經(jīng)元是以脈沖的形式將信息傳遞到下一個神經(jīng)元層，放在類腦計(jì)算的研究中，即演化為脈沖神經(jīng)網(wǎng)絡(luò)SNN。

　　SNN，相較于DNN，更忠實(shí)地模擬大腦神經(jīng)元和連接電路，其信息載體為脈沖序列，有空間域和時(shí)間域兩個維度來傳遞信息，在中科院李國齊教授看來，SNN兼具生物合理性與計(jì)算高效性。

　　△ SNN與DNN(ANN)的區(qū)別，圖源：智源社區(qū)《中科院李國齊：一文梳理類腦計(jì)算的前世今生》

　　進(jìn)一步的，北京理工大學(xué)楊旭博士分享了類腦算法與傳統(tǒng)算法模型之間的不同，核心有三個層面：

　　連接方式不同，稀疏連接與全連接;

　　驅(qū)動方式不同：事件驅(qū)動與數(shù)據(jù)驅(qū)動;

　　學(xué)習(xí)方式不同：DNN是從大量數(shù)據(jù)中總結(jié)出規(guī)律，而SNN則是因果學(xué)習(xí)，自適應(yīng)能力強(qiáng)。

　　這也就導(dǎo)致SNN所表現(xiàn)出的功耗更低，效率更高以及自適應(yīng)能力更強(qiáng)。

　　但與此同時(shí)，也不免有人質(zhì)疑SNN的有效性。

　　因?yàn)殛P(guān)于SNN訓(xùn)練，目前還面臨著諸多挑戰(zhàn)，包括脈沖神經(jīng)元中復(fù)雜的時(shí)空動力過程、脈沖信息不可導(dǎo)、脈沖退化和訓(xùn)練精度損失等，也就進(jìn)一步導(dǎo)致當(dāng)前尚未存在一種統(tǒng)一的、且公認(rèn)有效的算法來訓(xùn)練它。

　　具體舉個例子，如楊旭博士所說，比如由于SNN中的脈沖不可微分，DNN中非常成熟的梯度下降法就沒法直接應(yīng)用，但現(xiàn)在由于對大腦機(jī)制的理解還不夠，就找不到一個能和該方法同樣有效的訓(xùn)練方法。

　　處于同一境地的，還有類腦芯片。

　　目前也沒有統(tǒng)一的技術(shù)方案(此處統(tǒng)一指代的是具有超低功耗的計(jì)算芯片)。

　　世界上最早的一款類腦芯片，當(dāng)屬于IBM于2011年研制出的兩個具有感知認(rèn)知能力的硅芯片原型。

　　隨后像英特爾、斯坦福、曼大、浙大、清華也都相應(yīng)推出自己的芯片方案。

　　2019年，第三代天機(jī)芯登上Nature封面，再度掀起對類腦芯片的熱議。芯片搭載在無人駕駛自行車上，實(shí)現(xiàn)了自主決策、實(shí)時(shí)視覺探測、自動避障等功能。

　　除此之外，另外兩種趨勢也不容忽視。

　　一種是類腦感知芯片，也叫做神經(jīng)形態(tài)傳感器，即對類腦觸覺、視覺、聽覺等傳感器的研究，開發(fā)具有高時(shí)間分辨率、低延時(shí)、低功耗的新型傳感器，在機(jī)器人、物聯(lián)網(wǎng)等方面有應(yīng)用價(jià)值。

　　比如三星的動態(tài)視覺傳感器(DVS)，配在數(shù)碼相機(jī)上就能捕捉2000幀的畫面，只消耗300毫瓦的電能。

　　另一種則是材料的延伸，開發(fā)基于納米等新材料的芯片，比如像憶阻器、相變存儲器、電化學(xué)存儲器。

　　可以感知到的是，兜兜轉(zhuǎn)轉(zhuǎn)近十年的類腦芯片，目前還市場標(biāo)準(zhǔn)還未統(tǒng)一，應(yīng)用場景也多樣。更多芯片方案還處于自我更新迭代當(dāng)中。

　　算法如此，芯片如此，背后的核心原因其實(shí)也不難理解。

　　一方面是理論知識不夠，受限于對大腦機(jī)制的了解;另一方面則是工程化難題，從理論落到實(shí)際。

　　也正因此，類腦計(jì)算相關(guān)的質(zhì)疑始終不少。

　　甚至有人直言：噱頭而已。

　　當(dāng)前行業(yè)現(xiàn)狀如何?

　　是不是真的噱頭，且來看當(dāng)前的行業(yè)現(xiàn)狀。

　　事實(shí)上，我們已經(jīng)可以見到類腦計(jì)算商業(yè)化的身影。放眼全球，從2013年開始便有相關(guān)創(chuàng)企開始冒頭，國內(nèi)則集中爆發(fā)于2017-2018年。

　　據(jù)不完全統(tǒng)計(jì)，全球類腦企業(yè)公司已有20家左右，雖然融資輪次多集中于A輪，但各家公司拿到的融資金額少則千萬多則上億，甚至還出現(xiàn)了一家上市企業(yè)，來自法國的Brainchip。

　　跟更多前沿產(chǎn)業(yè)一樣，有幾家是直接從相關(guān)大學(xué)或研究所的類腦研究成果中孵化而來，Brainchip在內(nèi)包括Innatera、時(shí)識科技、靈汐科技、優(yōu)智創(chuàng)芯等。

　　△ 國外類腦企業(yè)代表

　　△ 國內(nèi)類腦企業(yè)代表

　　從這些公司的技術(shù)路線上來看，主要有兩條路徑，恰好也是前面提到實(shí)現(xiàn)類腦智能的兩種解決思路。

　　一是芯片優(yōu)先，即在硬件層面上進(jìn)行對大腦機(jī)制的模擬。目前大多數(shù)類腦企業(yè)都是這個思路。

　　以優(yōu)先上市的Brainchip為例，他們研發(fā)出了世界上第一款商用神經(jīng)擬態(tài)處理器Akida，面向邊緣AI計(jì)算，去年10月開始量產(chǎn)。今年2月還與奔馳達(dá)成合作，用于座艙內(nèi)的感知和識別。

　　最新融資約4000萬元的荷蘭企業(yè)Innatera，去年推出了一款基于SNN的神經(jīng)擬態(tài)加速器，主要用于語音識別、生命體征監(jiān)測和雷達(dá)等。

　　再比如專注于圖像和視頻領(lǐng)域的類腦企業(yè)PROPHESEE，通過模仿人眼和大腦的工作方式，開發(fā)出了一款類腦智能視覺處理器，能夠幫助提高自動駕駛、工業(yè)自動化、物聯(lián)網(wǎng)、安防以及AR/VR等領(lǐng)域的識別效率。

　　國內(nèi)方面的代表，比如時(shí)識科技，其產(chǎn)品既包括可達(dá)到0.1mW的超低功耗計(jì)算芯片，還包括可用于面部檢測、實(shí)時(shí)手勢識別、實(shí)時(shí)目標(biāo)分類等視覺任務(wù)的各類動態(tài)視覺類腦感知芯片。

　　做感知芯片的不算少，還包括專注類腦觸覺芯片的他山科技(該芯片于去年9月流片)，專注類腦嗅覺芯片的中科類腦(主要用于火災(zāi)預(yù)警等場景)等。

　　靈汐科技的重點(diǎn)是異構(gòu)融合類腦計(jì)算芯片，該類芯片只需12W功耗即可提供32Tops的INT8算力和6Tflops的FP16算力。

　　……

　　這種以芯片優(yōu)先的思路，最大好處是可以率先實(shí)現(xiàn)類腦的有效性，發(fā)揮它的低功耗優(yōu)點(diǎn)�？梢钥吹�，目前這些產(chǎn)品已經(jīng)大多落地于物聯(lián)網(wǎng)、邊緣計(jì)算等場景。

　　不過，這種思路也有它的局限性。我們知道，市面上的每一種產(chǎn)品實(shí)際上都是工程落地的問題。

　　但是在工程落地之前，要先把它最根本的物理原理理解清楚，變成算法，然后再去尋找最合適的工程方法，去做芯片，把它變成產(chǎn)品落地。

　　也就是說，芯片其實(shí)是為算法服務(wù)的。于是乎產(chǎn)業(yè)界出現(xiàn)了另一種聲音：

　　如果連一個有效的算法都沒有，相關(guān)的硬件和硬件加速又從何談起呢?

　　這也恰好是第二種技術(shù)路線：以算法優(yōu)先，然后再以算法定義芯片。

　　事實(shí)上，這種方式并不陌生，早在人工智能浪潮開始時(shí)，就有一波AI公司走的這條路徑，比如曠視、地平線、商湯等。

　　因?yàn)橛?ldquo;算法定義硬件”，往往可以實(shí)現(xiàn)芯片性能的最大化。

　　像深度學(xué)習(xí)加速器，就是“算法定義硬件”的典型，當(dāng)傳統(tǒng)的芯片hold不住越來越快的新算法時(shí)，我們就通過優(yōu)化算法來獲得計(jì)算資源需求和內(nèi)存需求更小的新模型，讓芯片得以“適應(yīng)”。

　　這種優(yōu)勢延伸到類腦領(lǐng)域，可以讓開發(fā)出來的類腦算法運(yùn)行在普通的芯片架構(gòu)上，讓傳統(tǒng)芯片也能擁有此前不具備的能力。

　　因此，也有一些企業(yè)選擇了這條路。

　　優(yōu)智創(chuàng)芯，就是當(dāng)前代表。

　　這家公司主要解決的是深度學(xué)習(xí)中的不可解釋性問題，自研了基于SNN的可解釋因果學(xué)習(xí)算法系統(tǒng)(CLAS Causal Learning Algorithm System)。

　　該系統(tǒng)下的因果學(xué)習(xí)算法最大的特點(diǎn)就是像人腦一樣，在學(xué)習(xí)權(quán)值的調(diào)節(jié)過程中，會根據(jù)因果關(guān)系去決定權(quán)值該增加還是減少——

　　從而做到并非單純地去模仿數(shù)據(jù)，而是去理解數(shù)據(jù)產(chǎn)生背后的具體過程是什么樣的。

　　當(dāng)然，最后還需要利用強(qiáng)化學(xué)習(xí)去加強(qiáng)每個因果過程(即前后神經(jīng)元之間的連接關(guān)系)。

　　在此，楊旭博士解釋道，通過模仿數(shù)據(jù)找規(guī)律的方式就是現(xiàn)在ANN的工作方式，這種網(wǎng)絡(luò)對數(shù)據(jù)樣本質(zhì)量的要求非常高，而后者，在SNN上采取因果學(xué)習(xí)的方法，就沒有這種要求了，甚至可能只需小樣本就可以做到智能通用。

　　“就像人類認(rèn)貓認(rèn)狗，我們只需要認(rèn)識路邊的幾只就知道狗長什么樣，不需要把全世界的都看一遍。”

　　對于因果學(xué)習(xí)的合理性，何虎教授則表示，我們這個世界本身就是一套因果系統(tǒng)，人類文明可以說就是靠著不斷去問為什么而往前發(fā)展的。就像學(xué)生，要真正學(xué)會解一道數(shù)學(xué)題，靠不求甚解地背過程是不可能的，還是需要知道每一步都是如何推理出來，即每一步的因果關(guān)系。

　　那么因果學(xué)習(xí)系統(tǒng)能帶來的最大好處是什么呢?

　　是決策，何虎教授表示。

　　而優(yōu)智創(chuàng)芯開發(fā)的這套因果學(xué)習(xí)算法一開始就瞄準(zhǔn)的正是深度學(xué)習(xí)中的非完美信息決策問題(以自動駕駛為例，可能會出現(xiàn)的非完美信息就包括物體遮擋，道路交通標(biāo)志不完整、不準(zhǔn)確等情況)。

　　因此，針對該類問題的經(jīng)典場景之一——打撲克，該公司實(shí)現(xiàn)了首個基于SNN的斗地主AI——“智玩”。

　　最終，“智玩”通過了107個人類個體樣本不嚴(yán)謹(jǐn)圖靈測試，擬人化程度超過80%，再經(jīng)過人類個體樣本訓(xùn)練，個性化程度達(dá)到了85%，勝率最高做到了49%，實(shí)現(xiàn)了“像人一樣玩游戲”的目標(biāo)。

　　除了“智玩”機(jī)器人，優(yōu)智創(chuàng)芯還利用其自研的CLAS因果學(xué)習(xí)算法系統(tǒng)設(shè)計(jì)了類腦芯片。

　　其中，旗艦類腦芯片“思辨1號”對標(biāo)SpiNNaker，采用28nm工藝，主頻為2 GHz，支持RISC-V Vector 1.0指令集，同時(shí)支持AI加速(算力可達(dá)4TOPS)和類腦計(jì)算(SNN因果學(xué)習(xí)算法)，單芯片同時(shí)最大可實(shí)現(xiàn)100萬個神經(jīng)元運(yùn)算的同時(shí)，功耗不高于2W，性能可以與英特爾Loihi2媲美。

　　除此之外，優(yōu)智創(chuàng)芯還構(gòu)建出了基于CLAS因果學(xué)習(xí)算法系統(tǒng)和類腦芯片組成的整體解方案——“硅腦”全自主無人系統(tǒng)平臺。

　　基于功耗小、成本低、具有可解釋性以及可以自主靈活決策的特點(diǎn)，該平臺聚焦在無人機(jī)、無人駕駛、機(jī)器人的應(yīng)用，可以擴(kuò)展到AIGC、元宇宙、腦科學(xué)研究等領(lǐng)域。

　　由該平臺衍生出來的K50/K51型SFS全自主無人飛行系統(tǒng)(類腦計(jì)算盒子)直接掛載在無人機(jī)上即能夠?qū)崿F(xiàn)未知地域且離線狀態(tài)下的全自主飛行任務(wù)，可以用于電力巡線、海岸、植被、軌道交通、礦山、消防等多場景全自主無人飛行巡查，也可用于軍事領(lǐng)域的武器突防等。

　　以及衍生出來的C60型SDS全自主無人駕駛系統(tǒng)(類腦計(jì)算盒子)，正在與多家車企合作驗(yàn)證，相信不久的將來，就會出現(xiàn)正真意義上的L4+級別無人駕駛汽車在城市中自由穿梭。

　　市場規(guī)模將達(dá)200億美元

　　綜上，我們可以看到，類腦計(jì)算并非“束之高閣”，而是已經(jīng)走出實(shí)驗(yàn)室，開始了商業(yè)化的摸索。

　　據(jù)Yole Development預(yù)測，2035年類腦計(jì)算市場將占人工智能總收入的15%-20%，市場規(guī)模將達(dá)到 200億美元。

　　雖然目前領(lǐng)域還處于發(fā)展的早期，面臨著諸多待解難題，但已經(jīng)顯現(xiàn)出了勢不可擋的趨勢。我們認(rèn)為理由有三。

　　首先，縱觀人工智能發(fā)展的歷史，從ANN到DNN，其實(shí)都是基于對大腦的模仿。

　　比如2016年擊敗圍棋世界冠軍李世石的AlphaGo，作為一個深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，它所利用的多層訓(xùn)練法就借鑒了一項(xiàng)認(rèn)知科學(xué)的研究結(jié)果：

　　人們認(rèn)識事物并不是通過直接分析，而是依靠一種逐層抽象的認(rèn)知機(jī)制，即首先學(xué)習(xí)簡單的概念，然后用它們?nèi)ケ硎靖�抽象的�?/p>

　　△ 基于深度學(xué)習(xí)的圖像識別過程中的逐層抽象過程

　　這種借鑒造就了AlphaGo的成功。

　　當(dāng)然，諸如AlphaGo此類DNN都還是對大腦功能相對簡單和抽象的模仿，存在著各種局限性。

　　第三代神經(jīng)網(wǎng)絡(luò)SNN由此誕生，除了神經(jīng)元和突觸狀態(tài)之外，SNN還將時(shí)間概念納入其中，實(shí)現(xiàn)了更高級的大腦生物神經(jīng)模擬水平，有望打破現(xiàn)有的神經(jīng)網(wǎng)絡(luò)在功耗、算力、樣本數(shù)量和質(zhì)量等方面的限制。

　　因此，我們說，類腦計(jì)算不失一種順勢而為的科技發(fā)展趨勢。

　　其次，要從當(dāng)下最火熱的通用人工智能(AGI)說起。

　　毫無疑問，現(xiàn)階段的一些AI技術(shù)已經(jīng)可以在某些特定任務(wù)上打敗人類，但沒法在所有技能上勝出。

　　這就像北京師范大學(xué)認(rèn)知神經(jīng)科學(xué)和學(xué)習(xí)國家重點(diǎn)實(shí)驗(yàn)室研究員萬小紅博士等所說，人工智能更專業(yè)，自然智能更通用。

　　更通用的強(qiáng)人工智能是AI發(fā)展的終極目標(biāo)。就在一個多月之前，圖靈獎得主LeCun公布的未來十年研究計(jì)劃，就將AGI作為核心目標(biāo)。

　　由于人類智能的核心是大腦，模擬大腦的類腦計(jì)算也就成為了實(shí)現(xiàn)AGI的一大重要路徑。

　　最后，再將目光聚焦到當(dāng)下，可以說，我們從未像今天這樣需要新型計(jì)算機(jī)。

　　調(diào)查顯示，全球每三四個月對于算力的需求就會翻一倍，這個增長速度已經(jīng)遠(yuǎn)超摩爾定律和Dennard縮放定律。

　　但傳統(tǒng)馮·諾伊曼計(jì)算架構(gòu)存算分立的設(shè)計(jì)，讓處理器即使再快也要等內(nèi)存，算力根本無法得到提高。

　　作為新型計(jì)算形態(tài)的一種，類腦計(jì)算芯片有望打破這一僵局。

　　此外，值得一提的是，雖說目前人類對大腦的研究還遠(yuǎn)不夠透徹，但北京理工大學(xué)楊旭博士和北京師范大學(xué)萬小紅博士——兩位一個來自計(jì)算機(jī)科學(xué)領(lǐng)域，一個來自認(rèn)知神經(jīng)科學(xué)，都一致認(rèn)為：

　　這并不會真正妨礙類腦計(jì)算向前發(fā)展。

　　相反，他們都表示，AI技術(shù)的發(fā)展反過來還可以促進(jìn)腦科學(xué)的研究，兩者其實(shí)是相互成就的關(guān)系。

　　那么，等到真正的類腦時(shí)代來臨之時(shí)，它將會和傳統(tǒng)的人工智能技術(shù)并存，還是完全取代后者?又將會給人類社會帶來怎樣的變革?

　　這無疑充滿了想象的空間。我們拭目以待。

　　最后，結(jié)尾再拋給大家兩個開放問題：

　　1、你認(rèn)為類腦智能是否會產(chǎn)生意識?

　　2、類腦智能是否會像生物大腦一樣也會產(chǎn)生遺忘?

　　歡迎討論。

　　參考文獻(xiàn)：

　　[1]https://news.sciencenet.cn/htmlnews/2022/1/472375.shtm

　　[2]https://www.sohu.com/a/424817554_129720

　　[3]https://www.sgpjbg.com/info/25374.html

　　[4]https://www.ahpst.net.cn/News/show/18405.html

　　[5]https://s3.i-micronews.com/uploads/2021/05/YINTR21214-Neuromorphic-Computing-and-Sensing-2021-Flyer.pdf

　　[6]張臣雄 .《AI芯片：前沿技術(shù)與創(chuàng)新未來》