为 AI 计算的神经形态芯片提供理由

当 Apple 首席执行官 Tim库克推出了 iPhone X，他声称它将“为未来十年的技术开辟道路”。虽然现在下结论还为时过早，但用于面部识别的神经引擎是同类中的第一个。如今，深度神经网络已成为现实，而神经形态学似乎是在 AI 领域取得持续进步的唯一可行途径。

Yole Développement（法国里昂）最近发布的一份报告称，面对数据带宽限制和不断提高的计算要求，传感和计算必须通过模仿神经生物学架构来重塑自己。

接受EE Times , Yole 成像首席分析师 Pierre Cambou 解释说，神经形态传感和计算可以解决人工智能当前的大部分问题，同时在未来几十年开辟新的应用前景。 “神经形态工程是仿生学的下一步，推动着人工智能的进步。”

为什么是现在？

自从数学家艾伦·图灵提出“机器能思考？”这个问题已经过去了 70 年，而加州理工学院的电气工程师 Carver Mead 提出神经形态工程的概念已经过去了 30 年。然而，在接下来的十年中，研究人员在构建具有类似大脑的学习和适应能力的机器方面几乎没有取得实际成功。 2006 年佐治亚理工学院展示了其现场可编程神经阵列，麻省理工学院的研究人员在 2011 年推出了一种模拟大脑神经元如何适应新信息的计算机芯片，希望重新燃起。

转折点是多伦多大学的一组科学家发表了论文“ImageNet Classification with Deep Convolutional Neural Networks”。 AlexNet 架构由一个 8 层卷积神经网络组成，可以将 ImageNet 竞赛中的 120 万张高分辨率图像分类为 1,000 个类别之一（例如猫、狗）。 “只有随着 AlexNet 的发展，深度学习方法才被证明更加强大，并开始在人工智能领域获得动力。”

大多数当前的深度学习实现技术都依赖于摩尔定律，并且“效果很好”。但是，随着深度学习的发展，对能够执行高计算任务的芯片的需求会越来越大。摩尔定律最近一直在放缓，并让包括 Yole Développement 在内的许多业内人士相信它无法维持深度学习的进步。 Cambou 是相信深度学习如果继续以今天的方式实施“将会失败”的人之一。

为了解释他的观点，Cambou 列举了三个主要障碍。首先是摩尔定律的经济学。 “很少有玩家能够玩，我们最终将在世界上拥有一两个超过 7nm 的晶圆厂。我们认为，只有谷歌才能做某事，这对创新是不利的。”

其次，数据负载增长速度超过摩尔定律，数据溢出使当前的内存技术成为限制因素。第三，计算能力需求的指数增长为每个应用程序创造了一个热墙。 “使用 7nm 芯片，我们的效率大约为每瓦特 1 teraflop。要为 Waymo 供电，我们可能需要一千瓦，这意味着我们需要一千兆次浮点运算，”坎布说。当前的技术范式无法兑现承诺，解决方案可能是将深度学习应用于神经形态硬件并利用更好的能源效率。

从更广泛的角度审视当前情况，Cambou 表示现在是采用颠覆性方法的时候了，该方法利用新兴内存技术带来的优势并提高数据带宽和电源效率。这就是神经形态方法。 “人工智能的故事将继续向前发展，我们相信下一步是朝着神经形态方向发展。”

近年来，通过在硅中实现神经元来构建传递认知能力的神经形态硬件方面做出了许多努力。对于 Cambou 来说，这是要走的路，因为“神经形态方法正在勾选所有正确的框”并允许更高的效率。 “硬件使神经网络和深度学习成为可能，我们相信它将实现神经形态 AI 的下一步。然后我们就可以再次梦想人工智能，梦想基于人工智能的应用。”

神经元和突触

随着来自传感、计算和存储领域的兴趣和目标的融合，神经形态硬件正在走出研究实验室。合资企业正在形成，战略联盟正在签署，欧盟人类大脑计划等长达十年的研究计划正在启动。

虽然预计在 2024 年之前不会有重大业务，但此后数十年的机会规模可能很大。据 Yole 称，如果所有技术问题在未来几年内得到解决，神经拟态计算市场可能会从 2024 年的 6900 万美元增长到 2029 年的 50 亿美元和 2034 年的 213 亿美元。英特尔、SK 海力士，以及 Brainchip、Nepes、Vicarious 和 General Vision 等初创公司。

神经形态芯片不再是理论，而是事实。 2017 年，英特尔推出了 Loihi，这是其首款由 130,000 个神经元组成的神经形态研究芯片。 7 月，Santa Clara 集团凭借其 800 万个神经元神经形态系统（代号为 Pohoiki Beach）达到了一个新的里程碑，该系统由 64 个 Loihi 研究芯片组成。同样，IBM 的 TrueNorth 仿脑计算机芯片有 100 万个神经元和 2.56 亿个突触，Brainchip 的 Akida 神经拟态系统芯片有 120 万个神经元和 100 亿个突触。

“提供硬件以提高神经元和突触的标准是一场竞赛。突触可能比神经元更重要，”Cambou 说。 “在 Yole，我们看到领先一步。首先，将基于当前方法构建的应用程序，部分是异步的，部分来自冯诺依曼。”很好的例子是 Brainchip 的 Akida 和英特尔的 Loihi。 “然后，可能在接下来的 10 到 15 年内，我们将在其之上获得 RRAM [电阻式随机存取存储器]。这将允许创建更多的突触。”

神经拟态计算的努力来自美光、西部数据和 SK 海力士等内存厂商，但许多公司正在寻求更多的短期收入，最终可能不会成为神经拟态研究的强大参与者。 “我们应该关注那些选择神经拟态作为其核心技术的小公司，”Cambou 说。

Weebit、Robosensing、Knowm、Memry 和 Symetrix 等颠覆性存储器初创公司正在将非易失性存储器技术与神经形态计算芯片设计相结合。它们与 Crossbar 和 Adesto 等纯存储器初创公司一起出现，但他们的忆阻器（存储器电阻器）方法通常被认为比纯计算公司的努力更长期。 Cambou 说：“许多内存播放器正在研究 RRAM 和相变内存来模仿突触。”此外，“MRAM [磁阻随机存取存储器]是新兴存储器的一部分，将有助于神经形态方法取得成功。”

致谢：Yole

除了计算之外，还出现了一个神经形态传感生态系统，其根源源于 1991 年神经信息学研究所和苏黎世联邦理工学院的 Misha Mahowald 发明的硅神经元。目前的竞争很低，只有更少全球超过十名玩家。其中，Prophesee、三星、Insightness、Inivation 和 Celepixel 正在提供即用型产品，例如基于事件的图像传感器和相机。电影摄影中使用的基于帧的方法无法捕捉运动。

“电影欺骗了我们的大脑，但我们无法欺骗计算机，”Cambou 说。 “唯一正确的方法是提供眼睛所提供的相同信息。基于事件的相机对于任何类型的实时运动理解和模式理解都非常强大。”更广泛地说，听觉、成像和行为传感器“对我们所谓的一般智力的各个层面都有影响。”

在封装半导体层面，Yole 表示，它预计神经形态传感将从 2024 年的 4300 万美元增长到 2029 年的 20 亿美元和 2034 年的 47 亿美元。

汽车，但不仅是

Cambou 说，汽车可能是最明显的市场。然而，最初的市场是工业和移动领域，主要用于机器人和实时感知。

短期内，神经形态传感和计算将用于工业机器的不间断监控。它还将在物流、食品自动化和农业方面发挥重要作用。 Cambou 说：“虽然深度学习需要大量数据集，但神经形态学仅从几张图像或几句话就能非常快地学习并理解时间。”

在未来十年内，混合内存计算芯片的可用性应该会打开汽车市场，迫切等待大众市场的自动驾驶技术。 “我们生活在一个交互的世界中，神经形态在让计算机理解非结构化环境方面将非常强大。”