【新智元导读】英特尔最新发布了一个代号为“Pohoiki Beach”的全新神经拟态系统，包含多达64颗Loihi研究芯片，800万个神经元。该系统处理AI算法的速度比普通CPU快1000倍，效率是普通CPU的10000倍，可用于自动驾驶汽车、机器人、义肢等。你如何评价这个芯片？来新智元和群 发表观点吧！

昨天在底特律举行的DARPA电子复兴计划峰会上，英特尔重磅发布了一个代号为“Pohoiki Beach”的全新神经拟态系统，包含多达64颗Loihi神经拟态芯片，由800万个神经元组成。

与CPU相比，Pohoiki Beach处理AI算法的能力，速度比普通CPU快1000倍，效率是普通CPU的10000倍，可用于自动驾驶、电子机器人皮肤、假肢等。

Loihi芯片是英特尔公司于2017年首次推出的一款拥有“自我学习”能力的研究芯片，其架构比用于深度学习或其他形式的人工智能的芯片更接近大脑的工作方式。

800万个神经元！神经拟态芯片可为假肢和自动驾驶提供动力

一块英特尔的Nahuku板，每块板上有8到32颗英特尔Loihi神经形态芯片，接口可以与英特尔Arria 10 FPGA开发工具包连接。英特尔最新的神经形态系统Pohoiki Beach由多块Nahuku板组成，每块板包含64颗Loihi芯片。

Loihi芯片安装在一块“Nahuku”板上，每块板包含8到32块Loihi芯片。Pohoiki Beach系统包含多个Nahuku板，可以与Intel的Arria 10 FPGA开发工具包接口，如上图所示。

新的64-Loihi系统相当于800万个神经元，不过，这还只是英特尔朝着计划于2019年底推出的768颗芯片、1亿个神经元的系统迈出的一步。

英特尔神经形态计算研究主管Mike Davies表示，英特尔及其研究伙伴刚刚开始测试像Pohoiki Beach这样的大型神经系统能做什么，迄今为止的证据已经表明，它的性能和效率甚至可以更高。

Davies说：“我们正在迅速积累结果和数据，证明它(Pohoiki Beach)确实有优势……主要是在效率方面。实际上，在我们进行的每一个基准测试中，这个架构都具有显著的收益。”

Pohoiki Beach将非常擅长神经元类任务，包括稀疏编码、路径规划和同步定位和建图(SLAM)。这些都是用于、机器人室内测绘和高效传感系统的算法。

例如，英特尔表示，这些芯片可以用于使某些类型的假肢更具适应性，通过新型高效的事件摄像机为目标跟踪提供动力，为iCub机器人的电子皮肤提供触觉输入，甚至实现桌上足球的自动化。

从1个Loihi芯片到64个Loihi芯片，更多的是软件问题而不是硬件问题。“我们从一开始就在Loihi芯片中设计了可伸缩性，”Davies说。“该芯片有一个分层的路由接口，允许我们扩展到多达16000个芯片。所以64个只是一小步。”

去年，英特尔中国研究院院长宋继强介绍神经拟态芯片 LOIHI。

LOIHI 芯片由 128 个计算核心组成，每个核心有 1024 个人工神经元，整个芯片共有超过 13 万个神经元和 1.3 亿个突触连接。采用异步计算，有需要才被激活，可以大幅降低能耗。与其他现有神经拟态芯片训练完参数就固定下来不同，LOIHI 拥有 “自我学习”（self-learning）的能力，它的参数在使用过程中，仍然可以通过脉冲神经网络里的脉冲传递训练去改变，在使用过程中不断改变网络模型，适应当前的状态。LOIHI 可以在单个芯片上完成训练和推理，实际上，训练和推理这两个过程并没有分得那么开，这一点与人脑一样。

从神经元数量上看，单个 LOIHI 芯片的神经元数量只比虾子的脑复杂一点点，距离模拟人脑复杂行为还很遥远。但是，这些小的单芯片可以互相连接构成更大规模的阵列，由此模拟更大的神经元。不仅如此，LOIHI 芯片直接受益于摩尔定律的发展，现在是 14 纳米的工艺，到了 10 纳米、7 纳米之后会大幅提高神经元的容量。

更像人类的学习：Pohoiki Beach将扩展到1亿神经元

Davies说，找到在800万个神经元的系统上运行良好的算法，并在软件中优化这些算法，是一项相当有挑战的工作。不过，回报也是巨大的。更像大脑的神经网络，比如Loihi，可能对某些人工智能“免疫”。

例如，今天的神经网络遭受着一种叫做“灾难性遗忘”的难题。如果你试图教一个训练好的神经网络去识别新事物，比如说，识别一个新的路标——通过简单地将网络暴露给新的输入，它会严重破坏网络，以至于它在识别任何东西时都变得很糟糕。为了避免这种情况，你必须从头开始重新训练网络。(DARPA的Lifelong Learning项目致力于解决这个问题。)

英特尔神经形态研究芯片Loihi。英特尔最新的神经形态系统Pohoiki Beach将由64块这样的Loihi芯片组成。

Loihi可以运行可能对灾难性遗忘免疫的网络，这意味着它学习起来更像人类。事实上，通过与康奈尔大学 Thomas Cleland的研究小组的合作，有证据表明，Loihi可以实现所谓的one-shot learning。也就是说，只需看到一次，它就能学会新特性。康奈尔大学的研究小组通过抽象嗅觉系统的模型来证明这一点，该系统可以在Loihi上运行。当暴露在一种新的虚拟气味中时，系统不仅没有灾难性地忘记它所闻过的所有其他气味，它还学会了仅仅从一次暴露中就识别出新的气味。

Loihi还可能运行特征提取算法，这些算法不受困扰当今图像识别系统的各种对抗性攻击的影响。传统的神经网络并不像我们的大脑那样真正理解它们从图像中提取的特征。Davies 解释说：“他们可能会被一些简单的攻击所愚弄，比如改变单个像素或添加一个噪音图案，而这些改变是不会愚弄人类的。”但Loihi芯片可以运行的稀疏编码算法可以像人类视觉系统一样工作，所以不会因这种攻击而失败。

研究人员也一直在使用Loihi来改进机器人系统的实时控制。例如，上周在Telluride神经形态认知工程研讨会的一个活动中，研究人员正努力使用一个基于Loihi的系统来控制一场桌上足球比赛。“这让人觉得很疯狂，”他说。“但这是神经形态技术的一个很好的例证。它必须很快，需要快速响应，快速规划和预期。这就是神经形态芯片擅长的。”

英特尔表示，Pohoiki Beach系统可以很容易地扩展到处理更复杂的问题。英特尔计划在今年底发布一个大10倍的Pohoiki Beach系统，拥有多达1亿个神经元。