超越現在的人工智慧

全新的演算方法模擬人腦與世界的互動方式。

Intel Labs 促進發展的人工智慧新興功能與人類認知有較多共通點,而與傳統電腦邏輯相差較遠。

什麼是神經形態運算
第一代人工智慧以規則為基礎並模擬古典邏輯,在具體且定義狹隘的問題領域裡獲得推理出來的結論。特別適用的用途包括監控程序和改善效率。當前第二代的技術則大多與感測和感知有關,比如使用深度學習網路來分析一個影片的影格內容。

即將到來的下一個世代會把人工智慧的觸角伸入與人類認知對應的領域,例如解譯和自主調適。對於以神經網路訓練和推斷為基礎的人工智慧解決方案,因為它解讀事件倚賴字面意義且採決定論觀點,缺乏脈絡和常識理解,所以這是克服其「脆性」的重要方法。新一代人工智慧必須能夠解決新出現的狀況和抽象概念,才能將日常的人類活動自動化。

Intel Labs 正在推動的電腦科學研究能推進第三代人工智慧的發展。所著眼的主要領域包括模擬神經結構及人腦運作方式的神經形態運算,以及創建演算方法來處理自然世界的易變性、歧義與矛盾的概率運算。

神經形態運算研究重點
神經形態研究的主要挑戰是達到媲美人類的靈活彈性,以及利用人腦的能源效率從非結構性刺激中學習的能力。神經形態運算系統內的運算型建構模塊在邏輯上類似於神經元。棘波神經網路 (SNN) 是一種新模型,它會排列那些元素以便模擬生物大腦中存在的自然神經網路。

SNN 中的每個「神經元」均可獨立發射訊號,藉由這個動作,它會傳送脈衝訊號給網路中的其他神經元,直接改變那些神經元的電子狀態。將訊息本身內部的資訊及其時間解碼之後,SNN 便能根據刺激以動態方式重新對應人工神經元之間突觸,藉此模擬自然學習流程。

為人腦啟發運算打造一個矽晶基礎
為了給研究人員提供功能正常的系統以執行 SNN,Intel Labs 設計出第五代自我學習神經形態研究測試晶片 Loihi,並在 2017 年 11 月面市。這個 128 核心的晶片設計採用針對 SNN 演算法進行最佳化的專用架構,並採用 14 奈米製程技術製造。比如,Loihi 支援不必用卷積神經網路的傳統方式進行訓練的 SNN 運作。隨著時間過去,這些網路也會擁有更大的能力(「更聰明」)。

Loihi 晶片總共包含約 130,000 個神經元,每個均可與數千個其他神經元通訊。開發人員可以透過 128 個核心上個別嵌入的學習引擎,用程式設計的方式存取和操作晶片上的資源。因為這是特別針對 SNN 進行最佳化的硬體,在需要自主運作和持續學習的系統上,它支援在非結構性的環境中大幅度加速學習,功耗極低,卻有高效能和大容量。

Intel Labs 致力於讓廣大研究社群可以存取以 Loihi 為基礎的測試系統。因為技術仍在研究階段(而非生產階段),目前僅有少數幾個以 Loihi 為基礎的測試系統;為了擴大存取,Intel Labs 已經開發出一個雲端型平台,供研究社群存取以 Loihi 為基礎的可延展的基礎架構。

Intel 公司的自我學習神經形態研究晶片,代號是「Loihi」。(資料出處:Intel Corporation)

促進神經形態運算的發展是跨領域的挑戰
神經形態運算的發展與許多不同研究領域有交集,這些領域包括計算神經科學、機器學習、微電子和電腦架構等等。Intel Labs 成立了 Intel Neuromorphic Research Community,這是一項合作性研究工作,將學術、政府和產業機構聚集在一起,致力於發展互補的架構、工具和途徑,促成神經形態運算的整體發展。

這個社群合力找出神經科學的原理,並對這些抽象的原理進行修改,使其能夠用於實際的計算技術上。比如,產生更多進階的 SNN 演算法便是重點發展項目,包括開發程式設計模型與工具。其中的重點是它帶動了 Loihi 研究晶片的實驗與發展,包括解決現實世界問題的應用程式以及 SNN 型系統與外部資料和運算系統之間連通介面的機制。

社群的成員同意採取開放的合作方式,分享各自的研究成果。透過提供資金及使用 Loihi 開發系統的機會,Intel Labs 讓社群內一部份研究工作進展更順利。

概率運算研究重點
自然資料中含有的根本不確定性與雜訊是人工智慧發展的一大挑戰。演算法必須要能夠擅長處理以自然資料為基礎的任務,這樣的任務人類可以依直覺應付,而電腦系統難以應對。

能夠理解資料並在不確定性因素之下進行計算,便能在不同的人工智慧領域實現智慧應用程式。例如,在醫學影像領域中,以不確定性度量為準,可以優先考慮讓放射科醫師檢查哪個影像,並在影像上顯示不確定性較低的區域。以家用智慧助理為例,代理程式可以與使用者互動,詢問一些問題來釐清狀況,當它無法確認要求的意圖時,這樣做有助於更加瞭解某項要求。

在自動駕駛車輛的領域,自動駕駛車輛的系統擁有非常多適合用傳統運算解決的任務,例如沿著 GPS 的路徑導航及控制車速。人工智慧目前的狀態能讓系統辨識和回應其周遭環境,例如避免碰撞意外出現的行人。

不過,為了將這些能力應用到全自動駕駛車輛的領域,演算法必須結合人們成為富經驗的駕駛的過程中所發展出來的嫻熟技巧。GPS、攝影機一類感應器所預估的定位存在不確定性。此外,旁邊院子裡正在玩球的小孩也可能不小心讓球滾到街道上,而其中一個孩子可能決定去把球追回來。留意隔壁車道的駕駛人是否具有侵略性是明智的做法。在感知和反應的循環中,輸入和輸出均有某種程度的不確定性。在這類情境中,我們倚賴對環境的感知和理解來預測未來發生的事情並做出決定,以利採取確的行動方針。感知與理解的任務必須考量到這類任務本質上便有不確定性。

管理不確定性並加以模擬
概率運算一般可解決自然資料本質上自帶的不確定性問題。不確定性在人工智慧系統可以扮演兩種角色:

  • 自然資料感知與辨識的不確定性。這裡的不確定性來源包括硬體感測器和環境所帶來的輸入不確定性,以及因為訓練資料與所辨識的資訊有所不同而帶來的辨識模型不確定性。
  • 低估與預測動態事件的不確定性。預測人類動作和意圖就是這類不確定性之一例。任何代理程式想要預測這類動態事件必須模擬人類的意圖並瞭解模型中的不確定性。我們可以利用觀察來持續減少不確定性,而能有效預測意圖和目標。

這個領域的主要問題圍繞在如何有效定義不確定性的特徵並將之量化,讓那些不確定性與計算過程和結果結合,並將那些交互影響的不確定性及其對應資料的模型儲存起來。

輸出以概率而非決定性數值表示,而這其中的涵義之一便是所有結論均是暫定的,並與特定的信心度相關。再深入探討上述自動駕駛的例子,孩子的球已不在視線內,或者有侵略性的駕駛不斷做出錯誤行為,可能會增加信心度,表示必須對這類可能發生的危險做出反應。

除了讓人工智慧具備直覺並能預測以外,概率方法也會對傾向以黑箱方式運作的現有人工智慧辨識系統賦予一定的透明度。比如,現今的深度學習引擎所輸出的結果沒有不確定性度量。概率方法可以加強這類引擎,使之輸出結果時搭配一個合乎原則的不確定性預估,讓應用程式能夠判斷該預測的可靠度。顯示不確定性,有助於對於人工智慧系統之決策信心建立信賴。

雖然決定論的程序有可預測、可重複的結果,但是概率的程序卻沒有,因為它有隨機產生的影響,無法確知或度量。要建立能夠達到人類(或超級人類)的理解、預測和決策水準的電腦,這個把自然資料的雜訊、不確定性和矛盾結合起來的程序是極其重要的層面。這個工作的基礎,便是之前在資料分析中運用的隨機性,例如成熟地使用 Monte Carlo 演算法來模擬概念。

實現概率運算價值鏈體系
除了其主要驅動力(處理不完整、不確定的資料)以外,概率運算的成功還需要依賴與更多其他運算技術以合作和整體的方式整合。透過 Intel Strategic Research Alliance for Probabilistic Computing,Intel Labs 致力在學術界與產業界各個機構之間建立必要的溝通橋樑。

這個研究計劃是專為發展概念運算,使之走出實驗室並進入現實市場而設,它把概率和隨機性與基本的硬體和軟體建構模塊整合起來。聯盟共同努力並在這些領域展開研究工作,致力於研發出感知與判斷的能力,以實現新一代的人工智慧。

Loihi:含有晶片內建學習功能的神經形態多核心處理器

Loihi 晶片整合了這個領域各種各樣的新功能,包括可程式設計的突觸學習規則。

閱讀白皮書

最新消息


探索關於 Intel 和神經形態運算的最新消息。

加入 Intel Labs

帶著您對科技與解決問題的熱誠加入 Intel Labs 並創造出前所未見的新事物。

探索機會

Intel Labs 的其他資訊

關於 Intel Labs

贊助世界各地主要的研究機關並與他們合作,發展出下一個改變機器思考、學習與調適方式的突破性進展。

進一步了解

量子運算

瞭解 Intel 如何推動量子處理器的發展。

進一步了解

新興的創新

剛萌芽的技術正在推動運算的發展並形塑其未來樣貌。探索下一個技術革命最前線的主要創新領域。

進一步了解