想象一下——未來，我們可以更加迅速的對復雜問題做出決策并且能隨時自動調整，很多社會和工業問題也都可以通過自主學習經驗來自動解決。未來，一線救援人員可以通過圖片識別分析街道攝像頭畫面，并迅速解救失蹤或被綁架的人。未來，交通信號燈會根據交通流量自動調整變燈時間，控制起步停車的時間從而減少交通擁堵。未來，機器人將變得更加自主化，性能效率也都會顯著提高。

隨著從高度動態、非結構化自然數據中進行收集、分析和決策的需求越來越高，對計算的需求也超越了經典的CPU和GPU架構。為了跟上技術發展的步伐，并推動PC和服務器以外的計算，英特爾過去六年來一直在研究能夠加快經典計算平臺的專用架構。最近英特爾還加大了對人工智能（AI）和神經擬態計算的投資和研發。

我們在神經擬態計算領域的研究工作是基于幾十年來的研究與合作，這項研究是由加州理工學院Carver Mead教授最先開始的，他以半導體設計的基礎性工作而聞名。芯片專業知識、物理學和生物學的結合為新想法的創造提供了一個良好的環境。這些想法非常簡單，卻具有革命性：將機器與人腦進行比較。該研究領域將高度協作和不斷支持科學的進一步發展。

作為英特爾研究院的一個研究課題，英特爾開發了代號為Loihi的第一款自主學習神經擬態芯片， 它模仿了大腦根據環境的各種反饋來學習如何操作的運作方式。這是一種非常節能的芯片，它利用數據來學習并做出推斷，隨著時間的推移變得更加的智能，并且不需要以傳統方式進行訓練。它采用一種新穎的方式通過異步脈沖來計算。

我們認為人工智能還處于初級階段，Loihi等更多的架構和方法將不斷涌現，從而提高人工智能的標準。神經擬態計算的靈感來自我們目前對大腦結構及其計算能力的了解。大腦的神經網絡通過脈沖來傳遞信息，根據這些脈沖的時間來調節突觸強度或突觸連接的權重，并把這些變化存儲在突觸連接處。腦內神經網絡及其環境中多個區域之間的協作和競爭性相互作用就產生了智能的行為。

機器學習，如深度學習，通過使用大量的訓練數據集來識別物體和事件，最近取得了巨大的進步。但是，除非這些訓練數據集考慮到特定的元素、條件或環境，否則這些機器學習系統不能得到很好地泛化。

自主學習芯片的潛在好處是無窮無盡的。例如它能夠把一個人在各種狀況下——慢跑后、吃飯前或睡覺前——的心跳數據提供給一個基于神經擬態的系統，來解析這些數據，確定各種狀況下的“正常”心跳。這個系統隨后持續監測傳入的心跳數據，以標記出與“正常”心跳模式不相符的情況。這個系統還可以針對任何用戶提供個性化服務。

這種類型的邏輯也適用于其它的應用場景，例如：網絡安全，由于系統已經學習了各種狀況下的“常態“模式，因此當數據流中出現異常或差異的時候，就可以識別出漏洞或黑客攻擊。

英特爾推出Loihi測試芯片

Loihi研究測試芯片包括模仿大腦基本機制的數字電路，從而讓機器學習變得更快、更高效，同時對計算力的需求更小。神經擬態芯片模型的靈感來自于神經元通信和學習的方式，利用了可根據時間調節的脈沖和可塑觸突。這將幫助計算機在模式和關聯的基礎上實現自組織并做出決策。

Loihi測試芯片提供高度靈活的片上學習能力，并把訓練和推斷整合到一個芯片上。這讓機器實現自動化，并實時進行調整，無需等待來自云端的下一次更新。研究人員已證實，與其他典型的脈沖神經網絡相比，在解決MNIST數字識別問題時，以實現一定準確率所需要的總操作數來看，Loihi芯片學習速度提高了100萬倍。與卷積神經網絡和深度學習神經網絡相比，Loihi測試芯片在同樣的任務中需要的資源更少。

這種測試芯片的自主學習功能具有巨大的潛力，可以改進汽車和工業應用以及個人機器人——包括任何在非結構化環境下得益于自主操作和持續學習的應用，例如，識別汽車或自行車的運動。

此外，與訓練人工智能系統的通用計算芯片相比，Loihi芯片的能效提升了1000倍。2018年上半年，英特爾將與著名大學和研究機構共享Loihi測試芯片，致力于推進人工智能。

本文作者：Michael C. Mayberry博士

Michael C. Mayberry博士現任英特爾公司副總裁兼英特爾研究院院長，負責英特爾在計算和通信領域的全球研究工作。此外，他還領導公司研究委員會，負責推動英特爾大學定向研究項目的資源調配與優先排序。

自從1984年加入英特爾公司并擔任制程集成工程師以來，Mayberry博士曾在公司的多個職位任職。作為加州技術開發團隊的成員，他開發了EPROM、閃存和邏輯晶圓制造工藝。1994年，他加入晶圓測試技術開發團隊，負責英特爾微處理器測試流程的路線圖制定與開發工作。2005年，他進入組件研究團隊，負責為英特爾的技術開發部門提供未來制程的選項。

Mayberry博士于1983年在加州大學伯克利分校獲得物理化學博士學位，并于1978年在米蘭德學院獲得化學與數學學士學位。