在這兩個重磅消息的背后釋放出許多重要的信號，人類對于除視覺、聽覺之外的味覺嗅覺等研究有新突破，帶來新想象空間和應(yīng)用空間，人類對大腦的認知以及類腦芯片、AI芯片又跨上新臺階，未來的芯片發(fā)展之路又有可能另辟蹊徑。這一切、一切的背后有諸多信息需要解密，3月20日，《中國電子報》記者連線采訪英特爾中國研究院院長宋繼強。

嗅覺和味覺AI為什么遠比視覺和聽覺AI要落后？

宋繼強表示，人類的味覺靠舌頭、嗅覺靠鼻子，目前為止，人工智能做得比較好的是視覺、聽覺，這兩個人類主要感官。之所以在兩個領(lǐng)域做的比較好，有幾個原因，其一是視覺、聽覺兩類數(shù)據(jù)相對容易獲得而且數(shù)據(jù)量大。在此前的信息化時代，比如2000年開始攝像頭普及，更早時候麥克風(fēng)普及，讓我們積累了大量圖片數(shù)據(jù)、語音數(shù)據(jù)。其二是這兩類數(shù)據(jù)的標注相對容易。人類基于捕捉下來的照片或是錄制的音頻進行標注，基于人類的基本認知知識容易實現(xiàn)，容易確定它的正確與否。

“而深度學(xué)習(xí)之所以能夠獲得現(xiàn)在的效果是因為幾個關(guān)鍵： 第一數(shù)據(jù)量足夠， 第二有標注好的數(shù)據(jù)， 第三是要保證訓(xùn)練的數(shù)據(jù)集和未來要處理的問題的測試數(shù)據(jù)集的分布是一致的，這樣訓(xùn)練出來的模型，才能夠很好地處理真實的場景?！彼卫^強表示，這也是為什么我們看到深度神經(jīng)網(wǎng)絡(luò)擅長處理視覺數(shù)據(jù)、語音數(shù)據(jù)的原因。

而嗅覺和味覺，目前的數(shù)據(jù)非常少，而且沒有很好地標注。究竟誰可以將這些數(shù)據(jù)進行標注非得是專家在實驗室才可以進行。比如葡萄酒的品酒，同一個葡萄酒十個專家來品嘗可能會有不同的結(jié)果，同一個葡萄酒讓同一個專家在不同的時間段品，也可能打出不同的分。所以它有難度。

“數(shù)據(jù)量不夠多，而且主觀評測標準也不夠，味覺的差異性太大。嗅覺相對客觀一些，因為嗅覺本身是依據(jù)不同的氣味，主要源于空氣中包含的一些化學(xué)分子成份不同、密度不同。人的鼻子、動物的鼻子、電子鼻對于氣味的區(qū)分能力不一樣。普通人能夠區(qū)分三四百種不同氣味，稍加訓(xùn)練可以達到上千種、數(shù)千種，但現(xiàn)實中真正可以區(qū)分的氣味其實是在萬種以上，這些數(shù)據(jù)我們?nèi)粘：茈y拿到大量數(shù)據(jù)，所以它絕對是小數(shù)據(jù)量的場景?！彼卫^強說。

但嗅覺數(shù)據(jù)的使用場合非常多，比如爆炸品的檢測，比如生活中危害、有害氣體的提早檢測，比如對水果或農(nóng)作物的成熟度檢測，比如對檢修污染的檢測等，靠氣味能夠檢測的非常多。目前因受限于數(shù)據(jù)量不夠充分，檢測手段不夠高明，嗅覺AI的發(fā)展比視覺和聽覺落后非常多。

為什么用神經(jīng)擬態(tài)計算而不是其他計算？

我們知道人工智能發(fā)展有三個關(guān)鍵： 數(shù)據(jù)、算法、算力，為什么解決嗅覺、味覺等問題上要采用類腦計算，而不是其他的計算來解決這些問題？神經(jīng)擬態(tài)計算比其他計算解決此類問題有什么優(yōu)點？用量子計算是不是也可以很好地解決此類問題？

Pohoiki Springs難在哪里？有什么突破意義？

英特爾這次公布的新系統(tǒng)Pohoiki Springs研發(fā)難度有多大？與上一代的系統(tǒng)相比有哪些突破？這些突破有什么意義？

宋繼強表示，Pohoiki Springs是在上一代Pohoiki Beach的基礎(chǔ)上繼續(xù)進行大規(guī)模的互聯(lián)。首先把互聯(lián)的規(guī)模加大，加大后面臨幾個問題： 第一互聯(lián)之后怎么保證這些信息的傳遞，我們知道在一個64芯片的Pohoiki Beach板級方案上，所有的芯片之間的連接是在一塊電路板上，所以它們之間的速度是比較一致，很有保障的。當(dāng)我們把12倍的板子連起來時，那就要增加更多的I/O連接組建和信息傳遞協(xié)議的處理，如何保證信息傳遞的有效和時效性。

第二是在上面支持軟件開發(fā)的時候，要更好地把硬件連接差異掩蓋掉，讓大家非常容易使用，就像使用一個大腦組織一樣，不同的分區(qū)可能不同有功能的組合，實現(xiàn)靈活分區(qū)使用，這需要一個分布計算的軟件層支持，所以這一層也比較關(guān)鍵。

第三是這上面要開發(fā)一些新模型也會涉及到更大規(guī)模的模型的設(shè)計和處理，這也比在小芯片上要困難。

它的難度分為三層， 一是底層如何把這么多塊芯片互連起來，把它全部連接起來同時要保證連接的有效性和時效性，這在業(yè)界沒有做過。 二是軟件層，要支持互連計算、分布式計算和靈活分區(qū)，這也是沒有人做過的。 三是支持更大規(guī)模的做動態(tài)規(guī)劃和優(yōu)化的實驗，這也是英特爾首先做。

為什么要做這樣一個大規(guī)模的系統(tǒng)？宋繼強表示，因為在很多領(lǐng)域的應(yīng)用里要做優(yōu)化、約束滿足、動態(tài)規(guī)劃時，需要耗費很多時間需要消耗很多電力，而切換算法在神經(jīng)擬態(tài)芯片Loihi上做可以更快、功耗更低。

類腦計算何時真正接近于人腦？

計算機在不斷接人腦的維度上，目前走到了哪一步？如果我們用小溪、小河到大海來形容現(xiàn)在走到了哪一個程度？還要突破哪些屏障才能真正走到大海？

“這比較難給出確切答案?！彼卫^強說，一方面因為人類對于大腦的了解和認知進展并不像摩爾定律的那樣高速，它的進展非常緩慢。現(xiàn)在對于神經(jīng)元結(jié)構(gòu)基本了解，對于某些人的感知機理也有了解，特別像視覺、聽覺、嗅覺這些比較重要的感知機理有所了解，但其他更深層次的感知、認知是怎么形成依然不了解。不過現(xiàn)在Loihi設(shè)計用的比較復(fù)雜的腦神經(jīng)元的工作模型，這是我們首先可以借鑒的。另一方面在器件上，人腦的工作方式和傳統(tǒng)的半導(dǎo)體的工作機理也并不完全一樣，所以我們也在做新的底層器件研發(fā)，比如憶阻器，既可以存儲也可以計算的一種器件。

不過，宋繼強進一步表示，除了我們對人腦的認知機制與工作機制的了解需要繼續(xù)推進，我們還需要換一個維度，從超出人腦來看IT能夠帶來什么?！拔覀冋f人腦很神秘、很厲害，但是畢竟是一個生物組織，有它的極限。我現(xiàn)在手里有一個更強的武器比如IT、半導(dǎo)體、量子計算等工具，它會有比人腦更強的能力?！比绾卫眠@些東西、利用這些芯片與人腦的研究相結(jié)合、跨學(xué)科結(jié)合就能夠更好地往前推進。

“最重要的是需要找到很好的應(yīng)用導(dǎo)向。”宋繼強表示，比如英特爾對于Loihi研究， Loihi的主要貢獻一方面它是新的架構(gòu)設(shè)計，實現(xiàn)了大規(guī)模集連，而且把工具鏈做起來了。另一方面是Loihi構(gòu)建了一個社區(qū)（英特爾神經(jīng)擬態(tài)社區(qū)INRC），社區(qū)中不僅有所類腦神經(jīng)擬態(tài)計算研究的學(xué)術(shù)機構(gòu)，也吸納進來非常多不同種類的創(chuàng)業(yè)公司、五百強企業(yè)，希望通過探索看看這樣的神經(jīng)擬態(tài)計算能夠很好地解決哪些應(yīng)用領(lǐng)域問題，由此來驅(qū)動神經(jīng)擬態(tài)計算的發(fā)展。就像2012年深度學(xué)習(xí)在學(xué)術(shù)界嶄露頭角之后，于2016、2017年在產(chǎn)業(yè)界大規(guī)模使用于安防領(lǐng)域、生物認證領(lǐng)域、金融領(lǐng)域等，以這樣的發(fā)展路徑能夠形成從技術(shù)到規(guī)模化應(yīng)用的生態(tài)?！斑@是一個并行發(fā)展而不是線性發(fā)展的事情，所以很難給你一個預(yù)測時間。” 宋繼強同時表示神經(jīng)擬態(tài)芯片在英特爾的芯片布局中屬于研究測試芯片，不是一個產(chǎn)品芯片，主要是在服務(wù)研究社區(qū)。未來如果有更大規(guī)模的商業(yè)應(yīng)用場景，不排除將其通用化。

責(zé)任編輯：ct