最新內容
http://www.86xian.com 發布日期：2016-09-18 中關村多媒體創意產業園 關注度：
http://www.bjmmedia.com.cn
今年初谷歌AlphaGo與圍棋冠軍李世石的人機大戰，讓人們對人工智能的關注度提升到了前所未有的高度，正所謂“外行看熱鬧、內行看門道”，AlphaGo獲勝的背后離不開谷歌開發的深度神經網絡，而這正是人工智能機器學習當中重要的組成部分。
AlphaGo在對戰時，是采用一種“在線學習”(On-Line Learning)的模式，意思就是說AlphaGo的服務器在美國中西部，通過谷歌云服務連接到韓國首爾的對局室，谷歌總部團隊必須確保AlphaGo與谷歌的服務器連接順利，
在機器學習領域，除了這種目前較為主流的“在線學習”，還有一種效率更高并且直接在硬件端完成機器學習的方式——片上學習，簡單講就是字面所傳達的意思，在芯片上進行機器學習。
在了解“片上學習”之前，我們有必要回顧一下計算機的工作結構。
幾十年前，美籍匈牙利科學家馮·諾依曼曾提出了以自己名字命名的“馮·諾依曼體系”，這種體系結構下，計算機的指令和數據采用0和1的二進制，處理任務按照固定程序順序進行，也就是所謂的“串聯”。
而人腦處理事情為“并聯”模式，人類可以同步處理看到、聽到的內容，并且基于人類的“自我學習”能力，完成一次判斷。比如，心智正常的人，面對一本雜志與一份報紙，可以在一瞬間分辨出來，這是人類大腦內的視覺圖像信息神經元、邏輯思維判斷神經元與人類“自我學習”能力，在一瞬間里“并行”作業的結果。
“馮·諾依曼體系”沿用了半個世紀，但在接下來的人工智能時代，計算機需要盡可能地模擬人類大腦神經元和突觸處理信息的方式，如視覺、聽覺，隨后，接受到的信息、圖片和聲音又能改變神經元之間的聯系，這整個過程就是機器學習的過程。
機器學習的過程只有通過神經網絡的計算才能實現，為了處理神經網絡所帶來的指數級數據增長，人們開始研發專門的芯片，才有了后來的“片上學習”。
“片上學習”的進化歷程
從全球范圍內來看，已有多家公司致力于“在線學習”的算法研究，在視覺、聲音、大數據等領域人工智能均有一些落地的案例，相比之下“片上學習”在嚴苛的硬件環境中依舊研究進展緩慢。
比如IBM的TrueNorth項目，這個以神經形態工程學設計的CMOS芯片，包含了4096個硬件核心，每個核心包含256個可編程的神經元芯片，擁有超過100萬的神經元。
在鈦媒體創新產品平臺“我造社區”當中，有一家名為“西井科技”的神經形態實驗室同樣致力于此。今年5月份，這家公司宣布研發出了全球首塊5000萬“神經元”類腦芯片——Westwell Brain，可模擬出5000萬級別的“神經元”，總計有50多億“神經突觸”。
作為對比，人類大腦的神經元大約800億--1000億個，有5000萬個神經元的電腦雖然不能與人類大腦相提并論，但它已經可以實現一些淺層的“片上學習”了，比如分辨畫作流派這種事情。
2014年，加州理工大學Sergey Karayev 等人收集了Wiki-paintings畫作，以此來檢驗機器學習的成果。Westwell Brain“片上學習”Wiki系統的測試成績為1秒自動完成1000多張圖片的分類，正確率接近100%。
打個比方，“片上學習”Wiki系統就好像學生身邊時刻跟隨著一位“私教”，直接在芯片上邊學習邊測試訓練成果，最大的優勢是實現“無網絡”情況下的“自我學習、自我實時提高”。
而“在線學習”則好比學生定期去“學校”上課，回家后做作業來測試學習效果，再將優化過的模型灌輸在硬件中，每一次新的學習都需通過網絡、云端等手段重新進行傳輸、遷移。
因為“片上學習”可以實現本地化學習，從而幫助機器大幅度提升效率，提高運算速度。在網絡環境相對嚴苛或有限的情況下，“片上學習”的芯片消耗的帶寬和流量更少，大幅降低云端服務器的通訊成本，且耗時更少。
從技術角度來看，“片上學習”的芯片的確有很多優勢，它可以直接在硬件上完成學習與測試，進而讓基礎算法的研發迭代，產品的升級有著更短的周期和更高的效率，并且消耗更少的能源。
但另一方面，“片上學習”還沒有特定的標準，據西井科技相關負責人介紹，全球從事此領域研究的公司僅在個位數，相關從業人員也極為緊缺，如何使用“片上學習”芯片的技術進行具體場景的商業化落地還存在很大挑戰。
（來源：鈦媒體）
 |  |
 |  |
