类脑计算芯片与类被智能机器人发展现状与思考 展研究的“认知计算平台”，但它却在业界引起了巨大 工作方法可以发展出很好的“类脑智能”。随着神经到 的震动。原因就在于它可以融入到高通公司量产的Sap 学的进一步发展，人们对大脑神经系统工作方式的逐渐 dragon处理器芯片中，以协处理的方式提升系统的认知 清晰、脉冲神经网络算法可望进一步发展，其准确度也 计算性能间，并可实际应用于手机和平板电脑等设各中 可望得到讲一非提高从而可以实用，这也正是类脑志片 支持诸如语音识别、图像识别、场景实时标注等实际应 研究的目标。 用并且表现卓越。 实际上，类脑芯片研究的这两大方向只是侧重点 类脑芯片研究的另一大方向则是参考人脑感知认知 不同，而并非彼此互斥，而且很多研究会遂渐模糊化这 的计算模型面非神经元组织结构。具体讲就是设计芯片结 两个方向之间的界限。类脑芯片完全可以同时参考神经 构来高效支持成熟的认知计算算法，如人工神经网络算法 元组织结构并支持成熟的认知计算算法，这并不矛盾。 或目前备受关注的深度神经网络。例如，2012年，中科 当然，这种趋势也并不排除对该领域中某一点的重点研 院计算所研制了当时国际上首个支持深度神经网络处理器 究。如忆阻器可以很好地模拟神经元之间的突触连接及 架构芯片“寒武纪”。该技术两次获得计算机体系结 其可塑性，其研究进展使得构建大规模神经元结构的可 构领城主要国际会议ASPLOS四和MICRO最佳论文，其 能性更大。2012年，英特尔正是以忆阻器和横向自旋阀 设计方法和达到的性能得到了国际上很好的认可。该芯片 (Lateral Spin Valves)两项技术为基础开始了神经形态 可以作为类脑芯片这个研究方向上的杰出代表。 类脑芯片的研制网。 图1的两个芯片可以作为类脑芯片两大方向上的代表 在当前大数据和人工智能火热的时代，类脑芯片的 成果。比较而言，TrueNorth芯片采用了神经形态的组织 研究受到了各国政府、大学和研究机构、国际大公司甚 结构和新兴的“脉冲神经网络”算法，因此具有更低的功 至是很多新兴的创新型小公司的青睐和聚焦，从不为人 耗。但也正因为如此，其数据编码信息损失很大，导致算 知突然进人到了公众视野。随着类脑芯片的百花齐放， 法准确度不及目前的成熟算法。例如，在手写数字识别 势必会带来芯片应用领域的一场革命，甚至将改变人们 上，TrueNorth的脉冲神经网络准确度大约是90%左右 的日常生活方式。 而20世纪80年代的人工神经网络已经可以达到95%的准 确度，目前深度神经网络技术的准确度更超过了99%。 2类脑智能机器人的仿生机构与感知控制 类脑智能机器人首先涉及到的是机器人的仿生机构 和感知控制，而仿肌肉驱动器是其中的重要部分，这些 仿肌肉驱动器可以省却齿轮、轴承，避免复杂的结构， 同时减轻重量，具有更好的应用效果。如Shahinpoor等 人用4片重0.1g的人工肌内材料IPMC作手指组成的 a b 机械手，在5V的电压下提起了10.3g的石子，所需功率 为25mW。如用传统机械装置实现这个动作，其机构将非 常复杂。 这个比较并非说明类脑芯片这两大方向孰优孰劣， 虽然自20世纪60年代以来，日本以及美国DRAPA 而是展示了类脑芯片研制的客观现状。却也恰恰能够明 等机构不断进行仿肌肉驱动器的研究，但还是随着近10 确了这样一个事实：即参考已知的神经元模型、结构与 年材料和新型传动系统的发展才真正实现一系列的突 多中图每学挖院利805 院刊 805 类脑计算芯片与类脑智能机器人发展现状与思考 展研究的“认知计算平台”，但它却在业界引起了巨大 的震动。原因就在于它可以融入到高通公司量产的 Snap￾dragon 处理器芯片中，以协处理的方式提升系统的认知 计算性能[3]，并可实际应用于手机和平板电脑等设备中， 支持诸如语音识别、图像识别、场景实时标注等实际应 用并且表现卓越。 类脑芯片研究的另一大方向则是参考人脑感知认知 的计算模型而非神经元组织结构。具体讲就是设计芯片结 构来高效支持成熟的认知计算算法，如人工神经网络算法 或目前备受关注的深度神经网络。例如，2012 年，中科 院计算所研制了当时国际上首个支持深度神经网络处理器 架构芯片“寒武纪”[4,5]。该技术两次获得计算机体系结 构领域主要国际会议 ASPLOS[4]和 MICRO[5]最佳论文，其 设计方法和达到的性能得到了国际上很好的认可。该芯片 可以作为类脑芯片这个研究方向上的杰出代表。 图 1 的两个芯片可以作为类脑芯片两大方向上的代表 成果。比较而言，TrueNorth 芯片采用了神经形态的组织 结构和新兴的“脉冲神经网络”算法，因此具有更低的功 耗。但也正因为如此，其数据编码信息损失很大，导致算 法准确度不及目前的成熟算法。例如，在手写数字识别 上，TrueNorth 的脉冲神经网络准确度大约是 90%左右， 而 20 世纪 80 年代的人工神经网络已经可以达到95% 的准 确度，目前深度神经网络技术的准确度更超过了 99%。 （a） （b） 图 1 IBM 研制的“TrueNorth”芯片（a）和中科院计算所研制的“寒 武纪”芯片及其板卡（b） 这个比较并非说明类脑芯片这两大方向孰优孰劣， 而是展示了类脑芯片研制的客观现状。却也恰恰能够明 确了这样一个事实：即参考已知的神经元模型、结构与 工作方法可以发展出很好的“类脑智能”。随着神经科 学的进一步发展，人们对大脑神经系统工作方式的逐渐 清晰，脉冲神经网络算法可望进一步发展，其准确度也 可望得到进一步提高从而可以实用，这也正是类脑芯片 研究的目标。 实际上，类脑芯片研究的这两大方向只是侧重点 不同，而并非彼此互斥，而且很多研究会逐渐模糊化这 两个方向之间的界限。类脑芯片完全可以同时参考神经 元组织结构并支持成熟的认知计算算法，这并不矛盾。 当然，这种趋势也并不排除对该领域中某一点的重点研 究。如忆阻器可以很好地模拟神经元之间的突触连接及 其可塑性，其研究进展使得构建大规模神经元结构的可 能性更大。2012 年，英特尔正是以忆阻器和横向自旋阀 （Lateral Spin Valves）两项技术为基础开始了神经形态 类脑芯片的研制[6]。 在当前大数据和人工智能火热的时代，类脑芯片的 研究受到了各国政府、大学和研究机构、国际大公司甚 至是很多新兴的创新型小公司的青睐和聚焦，从不为人 知突然进入到了公众视野。随着类脑芯片的百花齐放， 势必会带来芯片应用领域的一场革命，甚至将改变人们 的日常生活方式。 2 类脑智能机器人的仿生机构与感知控制 类脑智能机器人首先涉及到的是机器人的仿生机构 和感知控制，而仿肌肉驱动器是其中的重要部分，这些 仿肌肉驱动器可以省却齿轮、轴承，避免复杂的结构， 同时减轻重量，具有更好的应用效果。如 Shahinpoor 等 人[7]用 4 片重 0.1g 的人工肌内材料 IPMC 作手指组成的 机械手，在 5 V 的电压下提起了 10.3g 的石子, 所需功率 为 25 mW。如用传统机械装置实现这个动作, 其机构将非 常复杂。 虽然自20世纪60年代以来，日本以及美国DRAPA 等机构不断进行仿肌肉驱动器的研究，但还是随着近10 年材料和新型传动系统的发展才真正实现一系列的突