今天，英特尔发布了第二代神经拟态芯片 Loihi 2。
神经拟态芯片是一种模拟生物神经元的芯片。
与普通芯片不同的是，神经拟态芯片的计算任务是由许多小单元进行的，单元之间通过类似生物神经的尖峰信号相互通信，并通过尖峰调整其行为。
目前，英特尔已经将这种芯片用于机械臂、神经拟态皮肤、机器嗅觉等场景。
2018 年初，英特尔推出了其首款神经拟态芯片 Loihi，采用 14nm 制程。
英特尔表示，Loihi 2 是对第一代的重大升级，也是使用英特尔第一个 EUV 工艺节点 Intel 4 制造的芯片，意为等效于 4nm，实际为 7nm 工艺。
由于使用了全新工艺，Loihi 2 相比前代面积缩小了一半，但仍然包含 100 万个神经元，数量是前代的 8 倍，处理速度是前代的 10 倍。
Loihi 2 共有 128 个神经拟态核心，这 128 个内核每一个都有 192KB 的灵活内存，每个神经元可以根据模型分配多达 4096 个状态，而之前的限制只有 24 个。
与普通的 CPU 和 GPU 不同，神经拟态没有外部内存。每个神经元都有一小部分内存供其专用。主要作用是分配给不同神经元输入的权重、最近活动的缓存以及峰值发送到的所有其他神经元的列表。
Loihi 2 可以根据用途选择各种不同连接选项，这一点上有些类似于 FPGA。
除了硬件产品外，英特尔还发布了用于 Loihi 芯片的软件，一个名为 Lava 的新开发框架。
该框架以及相关库都用 Python 编写，并在 GitHub 上开源，开发人员无需访问硬件即可为 Loihi 开发程序。
与神经网络有何不同
生物神经元包含树突和轴突。
Loihi 芯片上执行单元的一部分充当“树突”，根据过去行为的权重处理来自通信网络的传入信号。
然后它使用数学公式来确定活动何时越过临界阈值，并在超过临界阈值时触发其自身的尖峰信号。之后执行单元的“轴突”查找与哪些其他执行单元通信，并向每个执行单元发送尖峰信号。
为何要研究这种类型芯片?神经拟态计算的倡导者认为，这种方法更接近地模拟大脑功能的实际特征，例如大脑传输信号超高的能效比。
而研究深度学习学者，批评神经形态方法没有取得实际成果，像 ResNet 等深神经网络已经在计算机视觉上取得了巨大的成功。
Yann LeCun 曾在 2019 年的一次会议上驳斥了神经拟态计算方法。
虽然神经拟态计算的研究热度远不及神经网络，但神经拟态芯片的优点在于其能效远高于传统处理器。
IBM 于 2014 年推出了 TrueNorth 芯片，尽管其运行频率只有几 kHz，但它所模拟大脑尖峰神经网络所需的计算资源，只是传统处理器的 0.0001%。
英特尔神经形态计算实验室主任 Mike Davies 表示，Loihi 在某些特定工作负载上，可以比传统处理器效率高出 2000 倍。
此外，神经拟态计算还能实现动态学习行为。
神经网络非常善于识别训练过的事物，但不够灵活，无法识别他们没有训练的东西。Davies 曾展示了神经拟态计算根据视频输入学会识别新的手势，同时不损坏之前训练的能力。
Davies 认为，神经拟态芯片在机器人学中有很多潜在的应用。当移动机器人发现自己面临新环境时，它们必须足够灵活，以识别和适应新环境。
特别提醒：本网信息来自于互联网，目的在于传递更多信息，并不代表本网赞同其观点。其原创性以及文中陈述文字和内容未经本站证实，对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺，并请自行核实相关内容。本站不承担此类作品侵权行为的直接责任及连带责任。如若本网有任何内容侵犯您的权益，请及时联系我们，本站将会在24小时内处理完毕。
