一直以來，科學家和工程師們都在努力復刻人腦的工作原理，由此誕生了我們熟悉的神經網路。
在這一過程中，人們也在嘗試複製感官能力，英特爾的神經擬態晶片 Loihi 就是一項最新的研究成果：它擁有 13 萬個神經元（1024 核），實現了嗅覺模擬，掌握了 10 種危險品不同氣味的神經表徵。
圖丨英特爾神經擬態研究晶片 Loihi（來源：Tim Herman / 英特爾公司）
人類的嗅覺識別看似只有聞一聞這個動作，但背後的機制非常複雜。
如果你拿起一個葡萄柚聞一聞，水果分子就會刺激鼻腔內的嗅覺細胞。鼻腔內的細胞會立即向你的大腦嗅覺系統傳送訊號，一組相互連線的神經元中的電脈衝就會在這個嗅覺系統中產生嗅覺。
無論聞到的是葡萄柚、玫瑰還是有害氣體，你大腦中的神經元網路都會產生該物體特有的感覺。同樣，你的視覺和聽覺、回憶、情緒和決策都有各自的神經網路，它們都以特定的方式進行計算。
神經擬態計算的優勢
神經擬態計算（Neuromorphic Computing）是一個由硬體開發、軟體支援、生物模型相互交融而成的古老領域，旨在基於仿生的原理讓機器擁有類人的智慧。
低功耗、高容錯、創造性…… 人腦有太多值得機器追趕的能力，因此也是很多計算科學家為之嚮往的存在。在人腦這個僅佔 3% 人體質量的器官中，1000 億個神經元攜 1000 萬億個突觸相連線。每一秒都有神經元衰老死亡的情況下，大腦仍能運轉計算著世界撲面而來的巨大資訊量。而功耗只有 20 瓦。
1980 年，人類首次開啟神經擬態計算的大門。超大規模積體電路 （VLSI） 發明者之一、加州理工學院傳奇人物 Carver Mead 首次提出神經擬態概念，並設想用 CMOS 類比電路去模仿生物視網膜，搭建具有生物計算特性的系統。
2017 年，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晶片，在神經擬態硬體的開發上邁出一步。
圖 | 英特爾相關研究登上
Nature
子刊
Machine Intelligence
據英特爾中國研究院院長宋繼強介紹，之所以選擇這個研究方向，主要是出於兩個考慮。
第一，想要訓練一個可用的模型，神經擬態技術所需的資料和能耗較少。現在的人工智慧和深度學習技術，訓練起來需要大量的資料和能源。一個大型模型所消耗的電量會產生大量的碳排放，約等於 5 輛汽車整個生命週期的排放量。而且隨著人工智慧技術的發展，能耗勢必會越來越多。
這時候就需要尋找一種既能提高能效比，又能提高資料使用率的方案。神經擬態計算恰好滿足這種需求。
第二，相比深度學習，神經擬態計算模型更容易解釋和推理。雖然深度學習技術很強大，但它的一個劣勢是黑箱問題。即使是模型開發者，也難以完全解釋清楚複雜模型的工作原理和行為模式。
相比之下，神經擬態作為類腦計算模型有著天然優勢。在逐漸透過小資料學習產生網路之後，它是可以解釋的，行為更加穩定，也支援更深層次的推理，然後根據更多資料持續自學。
“我們希望人工智慧模型是可以解釋的，我知道你為什麼做得好，為什麼做得不好，這樣才可以用在一些關鍵的任務當中，” 宋繼強在近日接受 DeepTech 等媒體採訪時表示。
軟硬體結合
在 2020 年 3 月發表的論文中，英特爾和康奈爾大學聯合團隊介紹了 Loihi 晶片背後的故事。
他們以動物的生物嗅覺系統為基礎，測量動物聞到氣味時的腦電波活動，然後根據這些電路圖與電脈衝，匯出了一套演算法，並將其配置在測試的 Loihi 神經擬態晶片上。
在研究中，Loihi 需要學習檢測複雜混合物的不同氣味。在一個風洞實驗中迴圈著 10 種氣體物質（氣味），感測器對各種氣味的反應被傳送至 Loihi，由其晶片電路對嗅覺背後的大腦電路進行模擬。
這一點和居民常用的煙霧和一氧化碳探測器能探測氣味有著本質的不同。因為，這些探測器藉助感測器探測空氣中的有害分子，但無法對各種氣味進行智慧分類。
圖 | 嗅覺系統演示（來源：nature machine intelligence）
對比此前已有的傳統方法——基於深度學習的解決方案，Loihi 展現出了出色的識別準確率。傳統方法要達到與 Loihi 相同的分類準確率，該解決方案學習每類氣味需要 3000 倍以上的訓練樣本。這也印證了宋繼強所說的第一點。
在 Loihi 晶片基礎上，英特爾還打造了一個神經擬態系統 Pohoiki Springs，首次將計算能力（神經元）擴充套件到了 1 億個，將 Loihi 的神經容量增加到一個小型哺乳動物大腦的大小。
Pohoiki Springs 是一個數據中心機架式系統，是英特爾迄今為止開發的最大規模的神經擬態計算系統。它將 768 塊 Loihi 神經擬態研究晶片整合在 5 臺標準伺服器大小的機箱中，同時以低於 500 瓦的功率執行。
據宋繼強介紹，英特爾創立 INRC（英特爾神經擬態計算研究社群），面向全球研究機構、創業公司和大型公司開放。企業在瞭解了英特爾神經擬態計算之後，可以直接向英特爾提交申請，闡述自己的專案提案。
加入社群後，研究機構可以訪問雲平臺上的神經擬態計算服務，擁有 1 億神經元的 Pohoiki Springs 系統就在上面。如果有需要，研究人員還可以直接申請 Loihi 硬體，自己搭建 Loihi 晶片的整合平臺去做試驗。整個過程都是免費的。
圖丨 Pohoiki Springs（來源：英特爾）
矽電子自旋量子計算道路
除了神經擬態晶片，英特爾研究院還同時在量子計算領域發力。不過英特爾選擇了一條業界裡面比較少有人走的道路：矽電子自旋量子位元。
據介紹，英特爾其實嘗試過比較流行的超導量子位元，但就自身積累而言，矽電子自旋更符合其長期的基於矽半導體的製造工藝和現有技術。
宋院長進一步補充稱，“一旦做成，我們有信心能把它很快規模化，我們也有信心把它做得便宜，讓更多人體驗到量子計算帶來的好處。所以說我們選擇的這條路是世界上很少有人走的路，但是我們一旦做好，它帶來的效益會很大。”
2020 年 2 月，英特爾與荷蘭量子技術研究中心公佈了低溫量子控制晶片 Horse Ridge，稱其有望同時控制最多 128 個量子位元，並且在量子系統的保真度、擴充套件性和靈活性方面均有重大進展，正在向商用量子計算機邁進。
一般來說，量子位元要在超低溫的環境下工作，人們需要用微波控制它們，而微波需要用電線作為載體。以現在的技術水平，操控 40-50 個量子位元就需要數百根控制線，更不用說未來操控成百上千個量子位元了。數量龐大的佈線會約束量子系統的擴充套件性。
Horse Ridge 的設計理念是簡化量子系統執行時所需的控制線，基於高度整合的系統級晶片（SoC），將 4 個無線電頻率通道整合到上面，每個通道負責控制 32 個量子位元，整體就可以同時控制 128 個量子位元。
每個晶片只需要一根線，如果要控制上千個量子位元，只需要多放一些晶片就可以了，大大減少了工作量。
無論是神經擬態，還是量子計算，都處於很早期的階段，想要應用在現實生活中，還有很長的路要走。但並不意味應用在現階段不重要。
“我相信，底層技術的創新和科研必須堅持長期主義，保證有‘雙輪驅動’，一個輪子是基礎底層不太變的核心技術方向，另外一個輪子是快速實行，要往哪方面去用，” 宋繼強強調。