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(rèn)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(qiáng)。

嗅覺和味覺AI為什么遠(yuǎn)比視覺和聽覺AI要落后？

宋繼強(qiáng)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(biāo)注相對容易。人類基于捕捉下來的照片或是錄制的音頻進(jìn)行標(biāo)注，基于人類的基本認(rèn)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(biāo)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。”宋繼強(qiáng)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(biāo)注。究竟誰可以將這些數(shù)據(jù)進(jìn)行標(biāo)注非得是專家在實驗室才可以進(jìn)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(biāo)準(zhǔn)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(dá)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。”宋繼強(qiáng)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(qiáng)表示，Pohoiki Springs是在上一代Pohoiki Beach的基礎(chǔ)上繼續(xù)進(jìn)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(qiáng)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(jī)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。”宋繼強(qiáng)說，一方面因為人類對于大腦的了解和認(rèn)知進(jìn)展并不像摩爾定律的那樣高速，它的進(jìn)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(jī)理也有了解，特別像視覺、聽覺、嗅覺這些比較重要的感知機(jī)理有所了解，但其他更深層次的感知、認(rèn)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(jī)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(qiáng)進(jìn)一步表示，除了我們對人腦的認(rèn)知機(jī)制與工作機(jī)制的了解需要繼續(xù)推進(jìn)，我們還需要換一個維度，從超出人腦來看IT能夠帶來什么。“我們說人腦很神秘、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(qiáng)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(qiáng)的能力。”如何利用這些東西、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(jìn)。

“最重要的是需要找到很好的應(yīng)用導(dǎo)向。”宋繼強(qiáng)表示，比如英特爾對于Loihi研究， Loihi的主要貢獻(xiàn)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(jī)構(gòu)，也吸納進(jìn)來非常多不同種類的創(chuàng)業(yè)公司、五百強(qiáng)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(rèn)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)。“這是一個并行發(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(qiáng)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