轉自：芯師爺
前幾日，清華大學教授施路平團隊研發的類腦計算芯片“天機芯”，登上世界頂級學術雜志《自然》封面，刷爆了朋友圈。
《自然》雜志封面截圖
據論文介紹，“天機芯”是一款新型人工智能芯片，結合了類腦計算和基于計算機科學的人工智能，是世界首款異構融合類腦芯片。和世界先進的IBM公司TrueNorth 芯片相比，“天機芯”功能更全、靈活性和擴展性更好，密度提升20%，速度提高至少10倍，帶寬提高至少100倍。以下視頻為“天機芯”具體介紹：（建議連接WiFi查看）
什么是類腦芯片？
顧名思義，類腦芯片是指參考人腦神經元結構和人腦感知認知方式來設計的芯片，代表了人工智能芯片研究的最新方向。
類腦芯片架構
具體而言，類腦芯片架構就是模擬人腦的神經突觸傳遞結構，眾多的處理器類似于神經元，通訊系統類似于神經纖維，每個神經元的計算都是在本地進行的，從整體上看神經元們分布式進行工作的，也就是說整體任務進行了分工，每個神經元只負責一部分計算。
對于人工智能產業而言，隨著數據量的不斷增加，想要提升運算效率最常見的方向就是優化算法和提升芯片算力。然而在摩爾定律下，處理器集成器件數量越發接近極限，提升芯片算力顯然不能依靠傳統方法。想要突破數據量激增所帶來的計算瓶頸，就需要從芯片底層架構需求重構和變化。
目前，圍繞著人工智能芯片的創新路徑主要有以下三個方向：
1、基于GPU、FPGA等通用芯片打造半定制的方案。例如英偉達公司針對各類應用場景開發對應的GPU芯片，并通過打造CUDA平臺提升其編輯效率、開放性和豐富性，并建立了完整的算法平臺，使得人工智能算法可以和多種類型智能終端相融合。
2、針對深度學習算法開發ASIC芯片。目前谷歌推出的TPU和寒武紀推出的NPU都是基于ASIC架構研發的深度學習芯片。
3、開發類腦計算芯片。其本質上借鑒人腦的工作原理來實現深度學習，進而解決極其復雜的計算問題，有望帶來計算體系革命與架構變革。
但是從本質上講，目前主流的GPU、FPGA以及ASIC芯片都屬于馮·諾依曼結構，在這種結構中，計算模塊和存儲模塊是分開的。CPU在執行命令時需要先從存儲單位讀取數據，也就是我們常說的“內存墻”，這就產生延時及大量的功耗浪費，從而限制了其計算性能的提升。
馮·諾依曼結構
相比之下，人腦卻沒有此類問題出現，據研究表明，人類大腦平均每秒可執行1億億次操作，所需能量只有10～25瓦特。因而研究員們正轉向模擬人類大腦研究，試圖通過模擬人腦運轉機制，通過研發類腦芯片，使計算機能低能耗高功效地進行計算，甚至使計算機優于類人的智能。
除此之外，目前主流的人工智能系統都需要提前的進行人工建模，轉化為計算問題進行處理再進行深度學習。而采用類腦芯片的系統，理論上可以自動感知，進行問題分析和求解，決策控制等。
類腦芯片國內外進展情況
基于類腦芯片的數據計算領域的革新性，吸引了大量公司投入研發。而為了保持技術優勢，美國先發起類腦計算芯片的相關研究工作，通過模仿人腦工作原理，使芯片能夠進行異步、并行、低速和分布式處理信息數據，并具備自主感知、識別和學習的能力，第一款類腦芯片就來自于美國的IBM公司。
2011年8月，IBM率先在類腦芯片上取得進展，研發出兩個具有感知、認知功能的硅芯片原型。但因技術上的限制，IBM戲稱第一代TrueNorth為“蟲腦”。
IBM公司TrueNorth芯片
2014年IBM又開發了第二代TrueNorth芯片，采用了三星28nm工藝，共用了54億個晶體管，其性能相比于第一代有了不少提升。功耗每平方厘米消耗僅為20 毫瓦，是第一代的百分之一，直徑僅有幾厘米，是第一代的十五分之一。
每個核都簡化模仿了人類大腦神經結構，包含256個“神經元”（處理器）、256個“軸突”（存儲器）和64000個突觸（神經元和軸突之間的通信）。總體來看，TrueNorth芯片由4096 個內核，100 萬個 “神經元”、2.56 億個 “突觸” 集成。
2017年9月，英特爾公司發布“Loihi”的神經模擬原型芯片，這是其推出的首款自學習神經元芯片。芯片包含的數字電路能模擬人腦13萬個神經元和1.3億個突觸連接。
英特爾神經擬態芯片Loihi
Loihi芯片采用了一種“異步激活”的全新計算方式，來模仿大腦運作模式，組成它的128個計算核心每個都包含1024個神經元，總共模擬出人腦13萬個神經元和1.3億個突觸連接，組成異步神經形態的多核網狀結構，每個神經元都能與成千上萬個其他神經元同時通訊。
據英特爾測試結果，Loihi的學習效率比其他智能芯片高100萬倍，而且完成同一個任務所消耗的能源可節省近1000倍。
早在2013年高通就公布了Zeroth芯片，名稱來源于IsaacAsimov的機器人學第零定律：“機器人不會傷害人類，而它們也不會允許人類來傷害它們。”
高通公司Zeroth芯片
Zeroth芯片基于一款新的硬件結構，其與主宰計算機領域多年的硬件結構有很大區別。它模仿人類大腦結構，由數十億協力合作的神經細胞組成。
上海西井科技基于神經形態工程學，目前已推出了自主研發的擁有100 億規模的神經元人腦仿真模擬器（Westwell Brain）和可商用化的 5000 萬類腦神經元芯片（DeepSouth）兩款產品。
DeepSouth?
Westwell Brain 可以通過接受醫學上大腦神經元脈沖放電數據，以更直觀方式呈現人腦的脈沖形態，用于檢驗藥物及治療的作用區域及效果。目前，其已經和生物試劑供應商 ABR 公司達成戰略合作。
可商用化的 DeepSouth 則能模擬出高達5000萬級別的 “神經元”，總計有50 多億 “神經突觸”。DeepSouth 在同一任務下的功耗僅為傳統芯片的幾十分之一到幾百分之一。
2015年來自浙江大學與杭州電子科技大學的年輕的研究者們研發出一款成為達爾文的類腦芯片。這款芯片是國內首款基于硅材料的脈沖神經網絡類腦芯片。
“達爾文”類腦芯片
“達爾文”芯片面積為25平方毫米，比1元硬幣還要小，內含500萬個晶體管。芯片上集成了2048個硅材質的仿生神經元，可支持超過400萬個神經突觸和15個不同的突觸延遲。
類腦芯片公司aiCTX于2017年2月底在瑞士蘇黎世創立，隨后便發布了世界首款完全基于事件觸發運算的動態視覺AI處理器DynapCNN。
AI處理器DynapCNN
該處理器是一款純異步、高可配置性、可拓展性的神經形態處理器。芯片面積僅為12平方毫米，采用GF22nm工藝設計，單芯片集成超過100萬脈沖神經元和400萬可編程參數，支持多種CNN架構，其芯片架構所具有的可拓展性適合于實現大規模脈沖卷積神經網絡。
類腦芯片的產業困境
目前，除了歐洲和美國正在大力投入類腦芯片研發之外，中國也十分重視類腦研究，并將類腦計算作為國家戰略發展的制高點，列入國家“十三五”規劃。但是，類腦芯片還處于前期探索階段，想要真正的落地還需要面臨諸多挑戰：
一是類腦芯片的單晶硅材料和憶阻器等技術有待突破。為了在硬件層面上模仿人腦中的神經突觸，科學家們研究了基于CMOS和憶阻器實現人工神經網絡。但是從憶阻器理論出發，神經元模型中的鈣離子和鉀離子通道由易失性憶阻器構成，對憶阻器的頻率依賴嚴重，滿足類腦芯片的單晶硅和憶阻器等材料技術仍有待突破。
二是對腦的觀測和工作機制了解不夠；類腦芯片的研究集中于直接在微芯片上模擬生物神經元和突觸的屬性，但是用半導體材料模擬腦細胞和突觸的功能來設計芯片，由于人類對于腦的研究遠遠不夠，這樣的芯片在性能上遠遠達不到“人腦”的要求。
三是類腦芯片的研究門檻高，人才和企業隊伍缺失；據不完全統計，目前從事類腦芯片研究隊伍（包括企業和研究機構）不到一百家，全球研究這門技術人才遠遠不夠撐起整個產業。
四是類腦芯片的工程化難題；對于不同的應用，類腦芯片處理器的產業化進程會有所不同，這對于中下游企業而言，芯片在不同場景下的兼容性和性能也會有所不同，目前還尚未出現真正產業化的通用類腦芯片。
