清華大學(xué)開發(fā)出全球首款異構(gòu)融合類腦計算芯片——“天機芯”，由該芯片驅(qū)動的的“無人駕駛自行車”登上了最新一期Nature封面！ 這項研究由 依托精密儀器系 的清華大學(xué)類腦計算研究中心施路平教授團(tuán)隊進(jìn)行，演示了一輛由新型人工智能芯片驅(qū)動的自動駕駛自行車。

基于此研究成果的論文“ 面向人工通用智能的異構(gòu)天機芯片架構(gòu) ”（Towards artificial general intelligence with hybrid Tianjic chip architecture）作為封面文章登上了8月1日《自然》（Nature），實現(xiàn)了 中國在芯片和人工智能兩大領(lǐng)域《自然》論文零的突破 。

天機芯片5x5陣列擴(kuò)展板 現(xiàn)階段，發(fā)展人工通用智能的方法主要有兩種：一種是以 神經(jīng)科學(xué) 為基礎(chǔ)，盡量模擬人類大腦；另一種是以 計算機科學(xué) 為導(dǎo)向，讓計算機運行機器學(xué)習(xí)算法。

二者各有優(yōu)缺點，目前將兩者融合被公認(rèn)為最佳解決方案之一。

發(fā)展一個二者融合的計算平臺將是推動融合的一個關(guān)鍵。

新型芯片融合了兩條技術(shù)路線，這種融合技術(shù)有望提升各個系統(tǒng)的能力，推動人工通用智能的研究和發(fā)展。

這種混合芯片被命名為 “天機芯”( Tianjic) ， 有多個高度可重構(gòu)的功能性核，可以同時支持機器學(xué)習(xí)算法和現(xiàn)有類腦計算算法。

研究人員用一個 自動行駛 自行車系統(tǒng) 驗證了這一混合芯片的處理能力。

這是一個異構(gòu)可擴(kuò)展人工通用智能開發(fā)演示平臺， 利用一塊天機芯片 ，展示了自行車的自平衡、動態(tài)感知、目標(biāo)探測、跟蹤、自動避障、過障、語音理解、自主決策等功能。

試驗中，無人自行車不僅可以 識別語音指令、實現(xiàn)自平衡控制，還能對前方行人進(jìn)行探測和跟蹤，并自動避障 。

語音控制“左轉(zhuǎn)” 語音控制“直行和加速” 自主避障 施路平教授表示，這只是非常初步的一個研究，但這項研究或能為面向人工通用智能計算平臺的進(jìn)一步發(fā)展起到促進(jìn)作用。

接下來，新智元帶來對這一突破性研究的詳細(xì)解讀，以及對施路平團(tuán)隊的采訪。

“天機芯”：支持計算機科學(xué)和類腦計算融合的AGI之路 一般認(rèn)為，實現(xiàn)通用人工智能（AGI）有兩條路：分別為 計算機科學(xué)導(dǎo)向 和 神經(jīng)科學(xué)導(dǎo)向 。

由于這兩條路的思路、理念和實現(xiàn)方案存在根本差異，分別依賴于不同開發(fā)平臺，彼此互不兼容，這給AGI技術(shù)的開發(fā)造成很大阻礙。

目前迫切需要一個同時支持兩種方法的通用平臺。

施路平團(tuán)隊開發(fā)的 “天機芯”(T ianjic芯片) 就做到了這一點，可以為AGI技術(shù)提供一個混合協(xié)同的開發(fā)平臺。

Tianjic芯片和測試板 Tianjic芯片采用眾核架構(gòu)、可重構(gòu)功能核模塊和混合編碼方案的類數(shù)據(jù)流控制模式，不僅可以適應(yīng)基于計算機科學(xué)的機器學(xué)習(xí)算法，還可以輕松實現(xiàn)受大腦原理啟發(fā)的神經(jīng)計算模型和多種編碼方案。

天機異構(gòu)融合類腦計算架構(gòu) 僅用一個芯片，就可以 在無人駕駛自行車系統(tǒng)中同時處理多種算法和模型，實現(xiàn)實時目標(biāo)檢測、跟蹤、語音控制、避障和平衡控制 。

這一研究預(yù)計可以為通用性更高的硬件平臺發(fā)展開拓新的道路，促進(jìn)AGI技術(shù)的開發(fā)。

鑒于目前機器學(xué)習(xí)和神經(jīng)科學(xué)的進(jìn)步，AGI系統(tǒng)至少應(yīng)具有以下特征： 能夠支持在神經(jīng)網(wǎng)絡(luò)中進(jìn)行豐富的空間、時間和時空關(guān)系的表達(dá)。

支持分層、多粒度和多域網(wǎng)絡(luò)拓?fù)浼軜?gòu)，不限于某一專門的網(wǎng)絡(luò)結(jié)構(gòu)。

支持各種模型，算法和編碼方案。

支持多個專用神經(jīng)網(wǎng)絡(luò)的交織合作，這些神經(jīng)網(wǎng)絡(luò)可能是為并行處理不同任務(wù)而設(shè)計的。

這些特征需要在一個通用化的平臺中高效地運行，即能夠在統(tǒng)一框架中實現(xiàn)對主流的人工神經(jīng)網(wǎng)絡(luò)（ANN）以及受神經(jīng)科學(xué)啟發(fā)的模型和算法的支持。

圖1：實現(xiàn)AGI開發(fā)的混合路線 為了支持這些功能，團(tuán)隊開發(fā)了一種跨范式計算平臺，可以適應(yīng)面向計算機科學(xué)和神經(jīng)科學(xué)的神經(jīng)網(wǎng)絡(luò)（圖1），兼容各種神經(jīng)模型和算法，尤其是基于生物學(xué)的（如脈沖神經(jīng)網(wǎng)絡(luò)，即SNN）要素。

通常，ANN和SNN在信息表示、計算原理和記憶組織方面具有不同的建模方式（如圖2a所示）。

二者最大的差異是，ANN以精確的多位值來處理信息，而SNN使用二進(jìn)制脈沖序列。

ANN神經(jīng)元和SNN神經(jīng)元之間的實現(xiàn)比較如圖2b所示。

另一方面，ANN和SNN神經(jīng)元之間也存在一些相似之處，這就為模型間的融合留下了空間。

通過對ANN和SNN的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行詳細(xì)比較，將計算模型解析并對應(yīng)到相關(guān)的神經(jīng)元功能模塊上 - 即軸突、突觸、樹突和胞體，從而構(gòu)建一個跨范式的統(tǒng)一神經(jīng)元方案（如圖2c所示）。

團(tuán)隊設(shè)計了同時適用兩種方案的突觸和樹突，而軸突和體細(xì)胞通過獨立重構(gòu)來改變功能。

圖2 Tianjic芯片設(shè)計示意圖 圖2d是一個完整的單功能核（FCore）示意圖，包括軸突、突觸、樹突、胞體和路由部分。

為了實現(xiàn)深度融合，幾乎整個FCore都可以重新配置，以便在不同模式下實現(xiàn)高利用率。

FCore能夠涵蓋大多數(shù)ANN和SNN使用的線性積分和非線性變換操作。

該芯片上的FCores以二維2D網(wǎng)格方式排列，如圖2e和2f所示。

Tianjic芯片和其后端布局圖如圖3a所示。

芯片由156個 FCore 組成，包含大約40000個神經(jīng)元和1000萬個突觸。

Tianjic芯片采用28納米半導(dǎo)體工藝制造，面積為3.8×3.8平方毫米。

每個獨立模塊占用的芯片面積，包括軸突，電流，信號，路由器，控制器和其他芯片開銷，如圖3b所示。

由于資源可以重復(fù)使用，用以兼容SNN和ANN模式的區(qū)域僅占總面積的3%左右。

FCore的功耗分解如圖3c所示。

圖3 芯片評估和建模摘要示意圖 Tianjic能夠支持多種神經(jīng)網(wǎng)絡(luò)模型，包括 基于神經(jīng)科學(xué)的網(wǎng)絡(luò) （如SNN，以及基于生物學(xué)啟發(fā)的神經(jīng)網(wǎng)絡(luò)）和 基于計算機科學(xué)的網(wǎng)絡(luò) （如MLP，CNN和RNN等）。

圖3d所示為在Tianjic芯片上測試不同網(wǎng)絡(luò)模型與通用處理單元的測試結(jié)果。

如圖3e所示，具有樹突中繼的混合神經(jīng)網(wǎng)絡(luò)可突破傳統(tǒng)神經(jīng)形態(tài)芯片F(xiàn)an in/fan out的限制，避免SNN網(wǎng)絡(luò)的精度損失（+11.5％） 。

采用這種混合模式增加的額外開銷小到可以忽略不計，因為Tianjic可以自然地在FCore中實現(xiàn)異構(gòu)轉(zhuǎn)換。

使用Tianjic還可以探索更具生物學(xué)意義的認(rèn)知模型（如圖3f所示）。

語音控制，自動避障，這輛無人自行車很秀 為了證明構(gòu)建類腦跨范式智能系統(tǒng)的可行性，團(tuán)隊利用無人駕駛自行車發(fā)展了一個異構(gòu)可擴(kuò)展人工通用智能開發(fā)展示平臺，在一塊Tianjic芯片內(nèi)并行部署并同時運行多個專用網(wǎng)絡(luò)。

實驗中的自行車配備了多種算法和模型，能夠執(zhí)行實時物體檢測、跟蹤，語音命令識別、加速、減速、躲避障礙、控制平衡和決策等任務(wù)（圖4a）。

自動行駛自行車演示平臺 要實現(xiàn)這些任務(wù)，需要克服三個主要挑戰(zhàn)： 首先，在室外自然環(huán)境中成功檢測并平滑跟蹤移動目標(biāo)、跨越減速帶，并在必要時自動避開障礙物。

第二，需實時響應(yīng)平衡控制、語音命令和視覺感知產(chǎn)生實時電機控制信號，以保持自行車在正確的方向上運動。

第三，實現(xiàn)多種信息的集成處理和快速決策。

圖4：基于Tianjic芯片多模型整合平臺的無人駕駛自行車各項測試結(jié)果 為了完成這些任務(wù)，團(tuán)隊開發(fā)了幾個神經(jīng)網(wǎng)絡(luò)，包括用于圖像處理和物體檢測的CNN，用于人類目標(biāo)跟蹤的CANN，用于語音命令識別的SNN，用于姿態(tài)平衡和方向控制的MLP，還有用于決策控制的混合網(wǎng)絡(luò)。

由于芯片的分散式架構(gòu)和任意路由拓?fù)?，Tianjic芯片平臺可以實現(xiàn)所有神經(jīng)網(wǎng)絡(luò)模型的并行化運行，并實現(xiàn)多個模型之間的無縫通信，使自行車能夠順利完成這些任務(wù)。

圖4c顯示響應(yīng)不同語音命令的輸出信號。

圖4d顯示自行車在跟蹤、避障和和“S形”曲線行進(jìn)時的輸出控制信號。

圖4e為基于物理量度的不同速度下的車輛姿態(tài)和轉(zhuǎn)向控制的學(xué)習(xí)情況。

Tianjic芯片可以同時支持基于計算機科學(xué)的機器學(xué)習(xí)算法和基于神經(jīng)科學(xué)的生物學(xué)模型，可以自由地集成各種神經(jīng)網(wǎng)絡(luò)和混合編碼方案，實現(xiàn)多網(wǎng)絡(luò)之間的無縫通信，包括SNN和ANN。

總而言之，本文介紹了一種新穎的類腦計算的芯片架構(gòu)，通過將交叉范式模型和算法集成到一個平臺上來實現(xiàn)靈活性和擴(kuò)展性。

希望這一研究成果能夠加速AGI的發(fā)展，推動新的實際應(yīng)用的發(fā)展。

7年磨煉“天機芯”，自行車是一個五臟俱全的類腦計算平臺 對于這項研究中大家比較關(guān)心的幾個問題，清華大學(xué)精密儀器系教授施路平、 清華大學(xué)精密儀器系副研究員裴京、加州大學(xué)圣塔芭芭拉分校博士后鄧?yán)诖硌芯繄F(tuán)隊接受了媒體的采訪。

問： 研究中遇到的最大的挑戰(zhàn)是什么？ 施路平： 我們是從2012年就開始孕育這項研究，遇到了很多的挑戰(zhàn)，但是我們認(rèn)為，最大挑戰(zhàn)不來自于科學(xué)、也不來自技術(shù)，而是在于學(xué)科的分布不利于我們解決這樣的一個問題，所以我們認(rèn)為多學(xué)科深度融合是解決這個問題的關(guān)鍵。

所以在這項研究當(dāng)中，我們組成了一個多學(xué)科融合的團(tuán)隊，由七個院系組成了一個類腦計算研究中心，覆蓋腦科學(xué)、計算機、微電子、電子、精儀、自動化、材料等。

在這里，特別感謝清華大學(xué)校各位領(lǐng)導(dǎo)對跨學(xué)科建設(shè)的大力支持，這是本項目取得成功的關(guān)鍵。

鄧?yán)冢?在芯片方面，遇到的最大挑戰(zhàn)是如何實現(xiàn)深度和高效的融合。

我強調(diào)兩點： 第一 ，是深度和高效。

目前比較火的神經(jīng)網(wǎng)絡(luò)模型有兩類，一類是從計算機科學(xué)來的，一類是從腦科學(xué)來的。

這兩種模型的語言有很大不同，它們有不一樣的計算原理，有不一樣的信號編碼方式，也有不一樣的應(yīng)用場景，所以它們所需要的計算架構(gòu)和存儲架構(gòu)是非常不一樣的，哪怕設(shè)計的優(yōu)化目標(biāo)都是很不一樣的，這一點可以從目前我們能看到的一些深度學(xué)習(xí)加速器，還有一些神經(jīng)形態(tài)芯片，它們基本上設(shè)計體系都是獨立的。

因此可以看出，深度融合并不簡單，并不是說設(shè)計一個深度學(xué)習(xí)加速模塊、再設(shè)計一個神經(jīng)形態(tài)模塊、再把它們拼到一起就可以了，這樣是行不通的，我們很難確定每部分的比例是多少，因為現(xiàn)實中的應(yīng)用是復(fù)雜多變的，這不是高效的。

第二 ，如果構(gòu)建一個異構(gòu)的混合模型，可能還需要在兩個模塊之間有專門的信號轉(zhuǎn)換單元，這又會有很多額外的成本，所以，如何設(shè)計一套芯片架構(gòu)來兼容這兩類模型，而且又可以靈活的配置和具有高性能，這也是我們芯片設(shè)計中的挑戰(zhàn)。

問： 為什么選擇無人自行車作為一個切入點？ 施路平： 自行車是為我們芯片服務(wù)的。

當(dāng)時我們經(jīng)過了反復(fù)的深入討論，確定要開發(fā)一款什么樣的應(yīng)用平臺來展示我們這樣一個異構(gòu)融合新的功能，這是一件不容易的事情。

我們有四點考量： 第一，我們希望這是一個有點類似大腦的一個多模態(tài)系統(tǒng)，而不是像現(xiàn)在AI的一些做算法，只做單一應(yīng)用。

我們希望這是一個覆蓋感知決策和執(zhí)行的完整的鏈路，這樣才能夠給我們異構(gòu)融合的多種模型提供支撐，所以這是與單一模型不同的。

第二，我們希望這個也是能夠與真實環(huán)境交互的，而不是說在機房里面做一下實驗或者在電腦里做一套仿真。

我們希望它能夠是一個真實環(huán)境交互。

第三，我們希望這個系統(tǒng)它最好是對我們的處理芯片是有功耗和實時性要求的，這樣才能夠體現(xiàn)我們專用芯片的優(yōu)勢。

第四，是因為我們要通過做反復(fù)的實驗，我們希望這個系統(tǒng)是可控的、可擴(kuò)展的。

通過考量上述幾點，我們最終選擇了無人自行車平臺，讓它有語音識別的功能、有目標(biāo)探測追蹤的功能，可以運動控制、避障、自主決策。

所以它看起來雖然很小，但實際上是一個五臟俱全的小型的類腦計算平臺。

問： 類腦可以超越人腦嗎？ 施路平： 大家對于類腦技術(shù)能否超越人腦這方面很感興趣。

實際上這就和大家始終在問電腦如何來超越人腦一樣。

電腦早就超越了人腦，只是說在哪些方面。

我們大家現(xiàn)在認(rèn)為天才所具有的那些我們嘆為觀止的能力，其實現(xiàn)在的電腦是很容易來實現(xiàn)的，比如說記得快、記得準(zhǔn)、算得快、算得準(zhǔn)等等，在這些方面，對于計算機來講都是小兒科。

但是目前在很多智能的層次，特別是對于不確定性的問題，對于比如說學(xué)習(xí)、自主決策等很多領(lǐng)域，計算機和人腦還是有相當(dāng)大的距離。

計算機會逐漸的縮小差距，至于最后能否全面的超過人腦，我個人覺得從技術(shù)的層面會越來越多，因為計算機的發(fā)展有一個特點，就是它從不退步，它一直往前走。

但是我相信我們?nèi)耸怯兄腔鄣模覀儠诎l(fā)展的過程當(dāng)中來逐漸的完善我們對于研究領(lǐng)域的一個理解，來把控它的風(fēng)險，因為我相信人們之所以對這個問題重視，是因為我們擔(dān)心會不會像科幻電影說的那樣毀滅人類。

實際上，能毀滅人類的東西我們早就已經(jīng)造出來了，就是核武器，但是為什么現(xiàn)在它沒有毀滅人類？是因為我們掌握它、我們可以控制它。

像類腦計算、強人工智能、人工通用智能這些東西，我們相信人類可以很好地利用我們的智慧來規(guī)范它的發(fā)展的路徑，來讓它造福于我們?nèi)祟悾畲笙薅鹊谋苊饽切╋L(fēng)險。

來源：新智元 更多精彩內(nèi)容，加入ARC社群掃二維碼或搜索(ID:arinchina)，轉(zhuǎn)載請注明版權(quán)和原文鏈接！ 聯(lián)系站長: +86 136 7918 4994 >