神经形态计算是否为自动驾驶的终解？

如果您关注科技行业的最新趋势，您可能知道行业内针对“下一件大事”将是什么的争论有很多。很多人认为是增强现实 (AR) 眼镜，有些人则认为会是全自动驾驶汽车，还有一些人认同5G的潜力。然而，无论趋势最终是什么，都将以某种方式由人工智能（AI）提供动力。事实上，人工智能和机器学习（ML）是我们的未来发展方向。

图片来源：Amazon

几周前，亚马逊的Astro出人意料地首次亮相，个人机器人设备和数字伙伴也加入了竞技场。

需要明确的是，我们已经在人工智能推动的许多领域看到了一些令人难以置信的进步。高级分析、神经网络训练和其他相关领域（其中大量数据用于查找模式、学习规则，然后应用它们）一直是现有 AI 方法的巨大受益者。

与此同时，如自动驾驶这样的应用，仅仅将越来越多的数据推送到算法中，这些算法产生了不断改进但仍然存在缺陷的机器学习模型并不能真正发挥作用。我们离真正的L5级自动驾驶还有很远的距离，考虑到特斯拉的AutoPilot导致的事故甚至伤亡事件的发生，也许是时候考虑另一种方法了。

同样，我们仍处于个人机器人时代的初期，但很容易想到，自动驾驶汽车和机器人之间的概念相似性。归根结底，问题在于，根本无法将每个潜在场景输入到AI训练模型中，并就如何应对任何给定情况做出反应来创建一个预先确定的答案。随机性和意料之外的影响实在太大了。

我们需要的是一种能够真正独立思考和学习的计算，然后将其学习能力适应那些意想不到的场景。这听起来可能很疯狂，也可能引起争议，但这正是神经形态计算领域的研究人员正在尝试做的事情。其基本思想是以数字形式复制我们所知的人脑中适应性最强的计算/思维组织的结构和功能。根据基本生物学原理，神经形态芯片试图利用数字突触在神经元之间发送电脉冲，重建一系列相连的神经元，就像生物大脑一样。

这是一个已经存在了几十年的学术研究领域，但直到最近才开始取得真正的进展并获得更多的关注。英特尔发布了第二代神经形态芯片Loihi 2，以及一个新的开源软件框架，被称为Lava。

图片来源：Intel

Loihi 2不会很快进行商用，它被称为一款研究芯片，最新版本提供了100万个神经元，与人类大脑中发现的约1000亿个神经元相去甚远。尽管如此，这仍是一个令人印象深刻、雄心勃勃的项目，其性能是其2018年版本的10倍，密度是后者的15倍（基于新的Intel 4芯片制造工艺技术的基础上），并提高了能效。此外，还提供了更好更容易的方式将其独特的架构与其他传统的芯片互连。

英特尔显然从第一版Loihi中学到了很多东西，最大的体会之一是为这种全新的架构开发软件非常困难。因此，另一个重要部分是Lava的首次亮相，这是一个开源软件框架和一套可用于为Loihi编写应用程序的工具。该公司还提供可以在传统CPU和GPU上模拟其操作的工具，以便开发人员可在不访问芯片的情况下创建代码。

关于神经形态芯片的运作方式是特别令人着迷的，尽管其功能与传统的CPU计算和类似GPU的并行计算模式截然不同，但它们可以用来实现一些相同的目标。换句话说，像Loihi 2这样的神经形态芯片可以提供传统人工智能所追求的理想结果，其速度更快、能效更高、数据密集度更低。通过一系列异步发生的基于事件的尖峰，触发数字神经元以各种方式作出反应，就像人脑的操作一样（与CPU和GPU中的同步结构化处理相比），神经形态芯片基本上可以动态“学习”新事物。因此，神经形态芯片非常适合那些必须对新刺激做出实时反应的设备。

这些功能就是为什么这些芯片如此有吸引力的所在，而自动驾驶汽车本质上就是这样。归根结底，最终可能需要商业上的神经形态芯片来驱动梦想中的自动驾驶汽车。

当然，神经形态计算并不是推进技术发展的唯一新方法。在量子计算领域，也有大量的工作正在进行中。与量子计算一样，神经形态计算的内部工作也异常复杂，目前主要多见于为企业研发实验室和学术研究的研究项目。然而，与量子不同的是，神经形态计算目前不需要量子所需要的极端物理挑战（接近绝对零度的温度）和功率要求。事实上，神经形态架构的众多魅力之一是它们的设计功耗极低，使其适合各种移动或其他电池供电的应用（如自动驾驶汽车和机器人）。

尽管最近取得了一些进展，但神经形态芯片的商业应用还需要几年的时间。然而，人类很难不被这种激发AI驱动设备潜力变成真正智能化设备的技术所吸引。区别可能看起来很微妙，但最终我们可能需要这种新的智慧，以便让一些“下一件大事”真正以我们能欣赏和想象的方式发生。