IBM宣称已经开发出首款客制化感知运算内核 - 全文

　　IBM宣称已经开发出首款客制化感知运算内核(custom cognitive computing cores)，将数字棘波神经元与超高密度芯片上交叉开关(crossbar)突触、事件导向通讯(event-driven communication)等功能结合在一起。

　　上述的IBM研究成果是与美国国防部高等研究计划署(DARPA)合作的“SyNAPSE (Systems of Neuromorphic Adaptive Plastic Scalable Electronics，神经性自适应塑料可微缩电子系统)”计划的“零阶段(phase zero)”与“第一阶段(phase one)”最大进展。

　　IBM现在将与合作伙伴美国哥伦比亚大学、康奈尔大学、加州大学梅西分校(University of California-Merced)与威斯康辛大学麦迪逊分校进入该研究计划的第二阶段，在未来的18个月并将有一笔2,100万美元的资金注入。加计这笔新资金，DARPA截至目前为止已经在该计划投入4,100万美元

　　SyNAPSE计划的最终目标，是建立一套内含10亿神经元、100兆突触的“类人脑”电脑，而且其尺寸与功耗也要与人脑相当。

　　“我们希望能扩展并补充进行实时不确定环境(realtime uncertain environments)信息处理的传统冯诺依曼电脑架构功能;”IBM研究中心(IBM Research)计划领导人Dharmendra Modha表示：“感知电脑必须能整合来自情境依赖形式(context dependent fashion)下不同传感器的输入信息，才能接近人脑的实时感觉运动反馈回路(sensory-motor feedback loop)。”

　　而虽然IBM声称其客制化感知运算内核是业界首创，但欧洲上个月也发表了一项打算利用ARM内核处理器interwetten与威廉的赔率体系 人脑的研究计划SpiNNaker(参阅电子工程专辑报道：英科学家将利用百万ARM核实现人脑模拟)。

　　传统冯诺依曼电脑架构无法处理来自今日传感器元件的多重同步数据流，但人脑能藉由分散式处理以及分布在神经网络的存储器，轻松处理这类任务。值得一提的是，传感器数据是透过叫做树突的输入线，将信息输入神经元。

　　神经元会将输入的数据整合，直到一个极限值，届时激发一个脉冲至其输出轴突，该时机是由连接其他神经元的突触权重(weight)来决定。

　　IBM开发的感知运算芯片尺寸约3mm宽，据说已经证实具备与人类对打电子游戏“Pong”(而且会赢)，以及分辨不同形式的手写数字7的能力

　　至于人脑的模式识别(pattern recognition)功能，是由突触去“学习(learning)”哪些连结是最常用的，这使它们变得更强壮，而较少用的连结就会逐渐消失;透过这种模式，神经网络会闭合感觉运动回馈回路，一旦某个模式藉由传感器的输入信息被辨别出来，输出运动神经元就会产生反应。

　　IBM利用交叉开关阵列复制人脑架构来掌管突触，然后这些突触会去学习哪些感官模式是与所渴望的运动控制输出相对应。交叉开关阵列会藉由整合大规模的树状突扇入(fan-in)，而将神经元与传感器输入连结，接着输出脉冲到轴突，将个别突触连结馈入网络中其他神经元。

　　“突触是由交叉开关阵列所实现，其中垂直线是输入树突，水平线则是输出轴突;”Modha解释，“每个神经元会为了与其他神经元通讯而激发，其存储器与处理器完全整合，不同于冯诺依曼架构的两者分离。”

　　感知电脑将具备低功耗、与较慢时脉速度特性

　　据了解，最终的感知电脑虽然内含数十亿神经元，却只有当神经元激发时才会消耗功率，而且激发时的时脉速度是非常慢的10Hz。因此，整套人脑尺寸的感知电脑，可能只有鞋盒那么大，所消耗电力低于一千瓦。

　　IBM展示了两款工作原型芯片，两者都是完全数字化的，将在未来的感知电脑中以内核形式出现。届时是在单芯片上整合数千个该种内核。“我们的芯片有个智能方面的关键进展，也就是它们都是数字化的，让我们能先在超级电脑上进行模拟，再将结果移植到硅芯片上，使其具备可预测、决定性(deterministic)特点。”Modha表示。

　　这两款原型各采用几百万的晶体管，来实现以单核控制256个神经。芯片面积小于4mm2，以IBM的45纳米绝缘层上硅(SOI)CMOS工艺生产。两颗测试用处理器内核唯一的不同处，在于它们所采用的互联交叉开关阵列，一个是配置256k预编程(pre-programmable)突触，一个是配置64k学习式(learning)突触。

　　以上两种芯片是在IBM的纽约州Fishkill晶圆厂制造，目前在该公司分别位于纽约州与加州圣荷西的TJ Watson研究中心与IBM研究中心进行测试。

　　在实际运作时，IBM的芯片会从经验(有数种预设的学习参数)中学习。举例来说，其中一种参数是神经元在整合多个输入信息后激发的阈值水平(threshold level)。设定在低水平时，其速度可以加快但运作效能较粗糙;设定高水准时，速度较慢但运作效能较精细。

　　接着当神经元激发时，学习突触会藉由在被使用时改变其权重做适应。IBM在其中实现了Donald Hebb规则，也就是神经元与神经元之间的某个突触连结越常被使用，其导电性就会因为突触权重降低而增加。反之，越少被用到的连结就会因为越高的权重，在神经网络中几乎消失。

　　IBM预期该公司所开发的感知电脑可应用在多样化的领域，包括导航、机器视觉(machine vision)、模式识别、关联存储器(associative memory)与分类(classification)等等。到目前为止，它们已经教会了其中一颗芯片认识各种不同笔迹的草写数字“7”，另一颗芯片则是学会如何与人类对打游戏机“Pong”并取得胜利。