优于深度学习AI芯片效率更高、功耗更低，类脑芯片研究进展如何？

近年来，深度神经网络（DNN）取得了令人瞩目的成绩，基于DNN的深度学习AI芯片业成为市场主流，然而深度学习所基于的大脑模型，是极度简化了的大脑神经元及其连接电路，与人脑相比，他们在效率方面的表现仍然不够好。

而与之相比，模仿大脑结构的芯片具有更高的效率和更低的功耗，模仿这类大脑行为的神经网络被称为神经形态网络，其代表为脉冲神经网络（SNN），神经形态网络的特征是使用更忠实地模仿大脑行为的模型，其对应的芯片是类脑芯片。类脑芯片被视为人工智能的终极目标，被称为下一代人工智能。

早在2011年IBM率先在类脑芯片上取得进展，不过因为技术限制，第一代TrueNorth芯片的性能并不高。2014年该公司推出了第二代TrueNorth芯片，采用三星28nm工艺，由54个晶体管组成，片上网络有4096个神经突触核心。加载了神经网络模型的TrueNorth芯片可作为实时感知流推理引擎使用，而且能够在快速、准确分类的同时保持超低功耗。

清华大学也在2012年早早瞄准人工智能发展，2014年成立联合了七个院系的类脑计算研究中心，施路平为类脑计算研究中心主任，2015年第一代类脑芯片天机芯问世，2017年团队研发出第二代天机芯，第二代天机芯具有高速度、高性能、低功耗的特点，制程缩小至28纳米，第二代天机芯相比于当时世界先进的IBM的TrueNorth芯片，功能更全、灵活性和扩展性更好，密度提升20%，速度提高至少10倍，带宽提高至少100倍。

据介绍，搭载天机芯的自行车，实现了实时视觉目标探测、目标追踪、自动过障和避障、自适应姿态控制、语音理解控制、自主决策等功能。2019年由清华大学类脑计算研究中心施路平教授所带团队开发出了全球首款异构融合类脑计算芯片天机芯，登上最新一期Nature封面。天机芯把人工通用智能的两个主要研究方向，即基于计算机科学和基于神经科学这两种方法，集成到一个平台，可以同时支持机器学习算法和现有类脑计算算法。

英特尔也是类脑芯片的重要玩家，2017年发布第一代神经拟态芯片Loihi，2021年9月30日发布第二代芯片Loihi 2，Loihi芯片是为新一代AI而设计的神经拟态芯片，具备更强的持续学习和在线学习能力，不仅让机器学习更快更高效，对于计算力的需求也更小，且可以满足众多新模型需求。据介绍，英特尔已经与合作伙伴一起，将Loihi芯片应用在机械臂、嗅觉传感、人造皮肤等应用上。

英特尔第二代Loihi芯片，结合了英特尔最新制程技术、异步时钟设计模式等技术。除了神经拟态处理速度变得更快，Loihi2芯片在可编程性和容量方面也有很大提升，在功耗和时延受限的智能计算应用方面也更强大。它能为新型神经启发算法和应用提供10倍的处理速度，每个芯片最多有100万个神经元，资源密度达15倍。

国内致力于类脑芯片研究的还有时识科技和灵汐科技。灵汐科技是一家类脑计算技术科技公司，这家公司也推出了类脑芯片，并且还发布了基于类脑芯片的类脑计算板卡和服务器、软件工具链和系统软件。灵汐科技的类脑芯片KA200，基于全新的存算一体、众核并行、异构融合架构，能高效支持深度学习神经网络、生物神经网络和大规模脑仿真，该芯片采用12nm工艺，单芯片集成25万神经元和2500万突触，集成30个类脑计算核，支持混合精度计算。

时识科技的技术起源于苏黎世大学与苏黎世联邦理工学院先进的数模混合神经形态处理器与神经形态算法研发成果，拥有完全自主知识产权。时识科技2017年2月成立于苏黎世，2020年4月总部迁至中国。该公司开发的纯数字以及数模混合神经形态处理器，克服了传统冯·诺依曼计算机的局限性，提供低功耗和低延迟性能，为永远在线的物联网设备和边缘计算应用，比如手势识别、面部或物体检测、定位、跟踪和监视等，开发铺平了道路。

类脑芯片的研究是基于微电子技术和新型神经形态器件的结合，希望突破传统计算架构，实现存储与计算的深度融合，大幅提升计算性能、提高集成度、降低能耗。然而类脑芯片前景虽好，相比于依靠冯诺依曼结构的芯片来说仍处于研发阶段，虽然已有一些产品面世，然而应用却并不多见，如果要实现突破未来还需要更多投入。

芯片深度学习功耗形态

免责声明：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。