类似谷歌AlphaGo的深度神经网络，未来可能通过“片上学习”实现

今年初谷歌AlphaGo与围棋冠军李世石的人机大战，让人们对人工智能的关注度提升到了前所未有的高度，正所谓“外行看热闹、内行看门道”，AlphaGo获胜的背后离不开谷歌开发的深度神经网络，而这正是人工智能机器学习当中重要的组成部分。 AlphaGo在对战时，是采用一种“在线学习”(On-Line Learning)的模式，意思就是说AlphaGo的服务器在美国中西部，通过谷歌云服务连接到韩国首尔的对局室，谷歌总部团队必须确保AlphaGo与谷歌的服务器连接顺利， 在机器学习领域，除了这种目前较为主流的“在线学习”，还有一种效率更高并且直接在硬件端完成机器学习的方式——片上学习，简单讲就是字面所传达的意思，在芯片上进行机器学习。

在了解“片上学习”之前，我们有必要回顾一下计算机的工作结构。 几十年前，美籍匈牙利科学家冯·诺依曼曾提出了以自己名字命名的“冯·诺依曼体系”，这种体系结构下，计算机的指令和数据采用0和1的二进制，处理任务按照固定程序顺序进行，也就是所谓的“串联”。 而人脑处理事情为“并联”模式，人类可以同步处理看到、听到的内容，并且基于人类的“自我学习”能力，完成一次判断。比如，心智正常的人，面对一本杂志与一份报纸，可以在一瞬间分辨出来，这是人类大脑内的视觉图像信息神经元、逻辑思维判断神经元与人类“自我学习”能力，在一瞬间里“并行”作业的结果。 “冯·诺依曼体系”沿用了半个世纪，但在接下来的人工智能时代，计算机需要尽可能地模拟人类大脑神经元和突触处理信息的方式，如视觉、听觉，随后，接受到的信息、图片和声音又能改变神经元之间的联系，这整个过程就是机器学习的过程。 机器学习的过程只有通过神经网络的计算才能实现，为了处理神经网络所带来的指数级数据增长，人们开始研发专门的芯片，才有了后来的“片上学习”。 “片上学习”的进化历程 从全球范围内来看，已有多家公司致力于“在线学习”的算法研究，在视觉、声音、大数据等领域人工智能均有一些落地的案例，相比之下“片上学习”在严苛的硬件环境中依旧研究进展缓慢。 比如IBM的TrueNorth项目，这个以神经形态工程学设计的CMOS芯片，包含了4096个硬件核心，每个核心包含256个可编程的神经元芯片，拥有超过100万的神经元。

在钛媒体创新产品平台“我造社区”当中，有一家名为“西井科技”的神经形态实验室同样致力于此。今年5月份，这家公司宣布研发出了全球首块5000万“神经元”类脑芯片——Westwell Brain，可模拟出5000万级别的“神经元”，总计有50多亿“神经突触”。 作为对比，人类大脑的神经元大约800亿--1000亿个，有5000万个神经元的电脑虽然不能与人类大脑相提并论，但它已经可以实现一些浅层的“片上学习”了，比如分辨画作流派这种事情。 2014年，加州理工大学Sergey Karayev 等人收集了Wiki-paintings画作，以此来检验机器学习的成果。Westwell Brain“片上学习”Wiki系统的测试成绩为1秒自动完成1000多张图片的分类，正确率接近100%。 打个比方，“片上学习”Wiki系统就好像学生身边时刻跟随着一位“私教”，直接在芯片上边学习边测试训练成果，最大的优势是实现“无网络”情况下的“自我学习、自我实时提高”。 而“在线学习”则好比学生定期去“学校”上课，回家后做作业来测试学习效果，再将优化过的模型灌输在硬件中，每一次新的学习都需通过网络、云端等手段重新进行传输、迁移。 因为“片上学习”可以实现本地化学习，从而帮助机器大幅度提升效率，提高运算速度。在网络环境相对严苛或有限的情况下，“片上学习”的芯片消耗的带宽和流量更少，大幅降低云端服务器的通讯成本，且耗时更少。 从技术角度来看，“片上学习”的芯片的确有很多优势，它可以直接在硬件上完成学习与测试，进而让基础算法的研发迭代，产品的升级有着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，“片上学习”还没有特定的标准，据西井科技相关负责人介绍，全球从事此领域研究的公司仅在个位数，相关从业人员也极为紧缺，如何使用“片上学习”芯片的技术进行具体场景的商业化落地还存在很大挑战。