斗破苍穹续集,遮天,神武八荒一颗小说

雖然自動駕駛還沒有走向千家萬戶，但是自動駕駛芯片的大戰早已開始。

這里面有 Mobileye 這樣的行業先驅，有英偉達這樣的跨界巨頭，有特斯拉這樣的別樣車廠，還有地平線這樣的國內新銳企業。

然而，我們也不應該忽略一些原本在芯片領域赫赫有名的面孔，比如英特爾——雖然早在 2017 年就收購了Mobileye，但這并不影響英特爾工程師們對自動駕駛的獨特追求。

目前我們見到的自動駕駛芯片，本質上依然沒有脫離一臺計算機的基本結構，比如 CPU/GPU/DRAM 這些常見于你我桌上電腦、掌上手機的零件。而一臺計算機在面對自動駕駛計算的時候，它的工作模式和人類司機的大腦相比是很不一樣的。

舉個例子吧，特斯拉新一代 Autopilot 硬件的功耗，官方描述是 250W 每英里，也就是說自動駕駛硬件在開啟狀態下會一直處于全速運行。但是人類司機并不會一直燒腦式駕駛，在自己熟稔的、交通狀況良好的路段上，人類大腦的負擔會明顯更低。

所以，有沒有辦法讓自動駕駛也能像人類一樣，具有更高的能耗效率呢？

英特爾實驗室給出了他們的答案：用造芯片的方法造一個大腦就好了。

將芯片造成大腦模樣

上圖這一坨東西叫做 Pohoiki Beach，主板里面密密麻麻的芯片叫做Loihi（跟我用粵語讀一次，老嗨），來自于當地時間 15 號在底特律舉行的2019 DARPA 電子復興計劃峰會。

注：DARPA，全稱DefenseAdvanced Research Projects Agency，即美國國防高級研究計劃局，是美國國防部屬下的一個行政機構，負責研發用于軍事用途的高新科技。成立于 1958 年的 DARPA，一開始主要是為了應對蘇聯 1957 年人造地球衛星成功發射而設立的部門。

一塊 Pohoiki Beach 主板可以根據需求的不同搭載 8-32 塊芯片，兩塊主板與左下角那個 Arria 10 FPGA 開發模塊互聯之后，Pohoiki Beach 最多可以成為一個擁有 64 個 Loihi 芯片的 AI 深度學習計算系統。

與這個世界上所有的硅芯片類似，Loihi 芯片的基本構成依然是晶體管。但是在 Loihi 里面，晶體管的工作形式并非傳統的邏輯門架構，Loihi 的計算原理也并非傳統計算機恪守數十年的馮諾依曼原理，而是以更接近人腦架構的神經元方式計算。

注：馮·諾依曼教授提出過現代電子計算機的三大原理，分別是1. 計算機由控制器、運算器、存儲器、輸入設備、輸出設備五大部分組成；2.程序和數據以二進制代碼形式不加區別地存放在存儲器中，存放位置由地址確定；3. 控制器根據存放在存儲器中地指令序列（程序）進行工作，并由一個程序計數器控制指令地執行。控制器具有判斷能力，能根據計算結果選擇不同的工作流程。

馮諾依曼架構雖然奠定了半個多世紀的電子計算機芯片基本框架，但這個架構也有其自身的瓶頸，那就是在處理器性能飛速發展的今天，緩存的讀寫速度出現了跟不上處理器運行速度的瓶頸——這個瓶頸就叫馮諾依曼瓶頸。

當然，我們無法真正的用硅元素「造」出一個神經元，Loihi 芯片的基本組成形式依然是晶體管，只是 Loihi 芯片內置晶體管的工作方式更接近于大腦神經元。64 個 Loihi 芯片一共包含了接近 1320 億個硅晶體管，與之相比，英偉達 RTX 2080Ti GPU 內置晶體管數量為 186 億個。

在 Pohoiki Beach 系統中，基于 14 納米工藝打造的每塊 Loihi 芯片可以模擬 13 萬個硅神經元，以及 1.3 億個硅神經突觸。64 個 Loihi 芯片互聯就是 830 萬個神經元，已經相當于一個小老鼠大腦內所含有的神經元總量。

英特爾的目標遠不止于此，今年年底即將推出的 Pohoiki Spring 系統會將 Loihi 芯片的性能發揮到極致，最多可以疊加 768 顆芯片，也就是模擬 1 億個神經元，相當于一只未成年小貓的大腦神經元數量。

雖然 Pohoiki Beach 系統的神經元總量和人腦的 860 億個神經元比起來還有很大的一段距離，但這并不妨礙它成為目前人類神經擬態計算的新里程碑。2015 年我國浙江大學研發的「達爾文」芯片是當時比較先進的神經擬態計算芯片，內置的硅神經元也才 2048 個。

在 2017 年 9 月份，Loihi 芯片剛發布的時候，英特爾專門為它打造了一個視頻宣傳片：

視頻里面充斥著英特爾對 Loihi，乃至神經擬態芯片光輝未來的期望——可是為什么呢？

AI 的未來，就在我們的大腦里面嗎？

先來說說神經元的工作原理。

當人腦的神經元接收到信號的時候，神經元樹突上的電位差會輕微升高，這個反應被稱為神經元突觸的激發。如果對該神經元的刺激達到一定閾值，就會產生動作電位（actional potential），產生動作電位的過程被稱為放電（discharge）。

我們大腦產生和傳遞信息的原理，就隱藏在神經元之間的放電反應之中，比如放電的頻率，放電的持久時間，放電反應中不同的電壓等等。

與電子計算機芯片中使用的邏輯門不一樣，大腦神經元只在接收到脈沖信號時才會產生動作電位并放射生物電脈沖。也就是說，大腦神經元的計算方式，在處理任務的時候會明顯更高效。

最終的結果就是，大腦的功耗理論上會比同樣運算能力的電子計算機低得多——實際上，作為人類文明的基石，人腦的「功耗」僅為 20W。

注：我們一開始認為 20W 這個結論是以訛傳訛，然后我們在arXiv一篇探討深度學習功耗的論文（arXiv 編號 1602.04019）的一處引用中找到了這個數字的根本出處——德國海德堡大學（1386 年創立，德國最古老的大學）Karlheinz Meier 教授的一項研究。

注：arXiv 是目前世界上最大的免費自然科學論文及其預印本閱讀和交流平臺，始創于 1991 年，目前由康奈爾大學管理。

如果不是鐵證如山，相信很多人難以相信大腦的能耗如此之低——所以基于硅神經元打造的類人腦神經擬態芯片也能達到這樣高的能耗比嗎？

答案是可以的。

滑鐵盧大學從事人工智能研究的教授 Chris Eliasmith 是 Loihi 芯片和 Pohoiki Beach 的首批合作使用者。根據 Chris 教授的實驗室數據，同樣實時運行一個深度學習模型并保持相同運算速度的情況下，Loihi 芯片的綜合能耗水平僅為 GPU 的 109 分之一（相關研究成果在 arXiv 上可查論文，編號1812.01739），CPU 的 23.2 分之一。

注：滑鐵盧大學位于加拿大安大略省西南部滑鐵盧市，創建于 1957 年，計算機科學專業在 2017 年名列 USNEWS 世界大學排名第 18 位。

而當 Chris 教授將深度學習模型的規模擴大 50 倍之后，Poihiki Beach 在保持相同學習速度的基礎上，功耗只增加了 30%，而能保持速度的傳統智能芯片功耗增加了 5 倍。

考慮到上文提及的 64 核心 Poihiki Beach 系統一共內置了 1320 億個晶體管，這樣的功耗水平實在是低得恐怖。

也許這一章節硬核得有些過分，我們可以用非常生動形象的例子解釋一下。

我們算 1+1 和算 76x89 的時候，思考的速度是差不多的，因為這兩個算式的算法我們都知道（就像深度學習模型的訓練）——但你算 100 道 1+1 級別的算術題，和你算 100 道 76x89 級別的算術題之后，你肚子餓的程度和你精神疲憊的程度，不會相差太遠。

而神經元擬態計算，乃至幾乎所有的神經網絡計算，都是在特定的環境下運行的——這個環境叫矩陣運算。我們曾經在4個月之前的文章里面討論過矩陣運算的基本原理，這里不詳細展開，感興趣的朋友可以在公眾號后臺回復「TPU」查看原文。

張量矩陣運算示意圖

針對神經網絡優化的芯片，絕大部分都是在矩陣運算方面有針對性優化的，所以其他神經網絡芯片，比如谷歌的 TPU ，在深度學習方面都會比傳統的CPU 和 GPU 能耗比更強——只是沒有 Loihi 芯片這么出眾而已。

而能耗比，恰好是車載智能硬件的一大硬傷。

舉個例子，車載電子元件的工作溫度要求一般在-40℃~55℃，更高的標準甚至會將上限設置在 110℃。也就是說，電子元件需要在極高的溫度范圍內保持正常的性能水平和質量水準，這就需要芯片廠商對每一代工藝做大量的優化和試驗。

比如英偉達的 Drive PX 系列在改名為 AGX 系列的同時，也經受了 ASIL-D 級別標準的認定。黃仁勛在 GTC 大會上面的原話是「這個過程大概要一年多」。

為了適應車載級別的溫度要求，功耗為 250W 的特斯拉 Autopilot 硬件 3.0 上面使用了復雜的水冷散熱，功耗達到 500W 的英偉達 Drive AGX Pegasus 甚至根本沒有車企敢用。

然而我們可以看一下在 Chris 教授論文里面，Loihi 芯片的功耗表現：

最大的差距體現在 Running，也就是運行中的功耗比較里，Loihi 以0.11W的功耗就可以達到英偉達 Quadro K4000 專業級 GPU 在37.83W功耗下同樣的 AI 性能——0.11W 的功耗水平，意味著 Loihi 芯片根本不需要主動散熱（就像我們的腦殼子也沒有進化出一個風扇），省略了大量的結構成本。