该测试芯片可以在机器终端自学，比基于云计算的系统效率更高。
英特尔正在试验一种名为「英特尔 Loihi 测试芯片」的「自学」芯片，能像人脑一样学习。这款芯片是英特尔所谓的「神经形态芯片」，可以从环境中学习，并应用于一系列「人工智能密集型」应用，并可有效降低功耗，有望给人工智能的发展带来重大影响，加速智能的终端部署。
该测试芯片由英特尔的 14 纳米工艺制造，共有 13 万个神经元和 1.3 亿个突触，采用异步神经形态的多核网状结构，支持多种不同的稀疏、层级、循环神经网络拓扑结构，每个神经元间都可以自由通信。每个神经形态核心都拥有一个学习引擎，可以在操作过程中对网络参数进行编程，支持监督、无监督、强化和其他学习模式，可以开发和测试高效的算法，包括路径规划、约束满足、稀疏编码、词典学习和动态模式学习及适应。
英特尔实验室总经理迈克尔·梅贝里（Michael Mayberry）表示：「英特尔 Loihi 研究测试芯片包含模拟大脑基本机制的数字电路，使机器可以更快地学习、更有效率，同时降低对计算能力的需求。这将帮助计算机基于模式和关联实现自组织以及进行决策。」
据介绍，该芯片从神经元的交流学习中汲取灵感，其中神经元的激活、新突触的形成可以按时间调制，这可以帮助计算机自组织并根据模式和关联做出决策。同时，该芯片可以在终端完成训练和推理，使得机器能够自动实时调整，摆脱对云端的依赖。
基于这种特性，根据研究人员提供的数据，这款芯片在解决 MNIST 的数字识别问题时的学习速度比其他典型的尖脉冲神经网络快了 100 万倍。另外，该芯片在同一任务上使用的资源要比卷积神经网络和深度学习神经网络等技术少。据相关媒体报道，该芯片比一般训练系统所需的通用计算效率高了 1000 倍。
英特尔指出，在工业自动化和个人机器人等任何在非结构化环境中自动操作和持续学习的应用程序方面，这款芯片都有较大的潜力。
在为人工智能应用开发专用芯片方面，谷歌已于此前推出了基于云计算的 TPU（张量处理单元）芯片，以加速机器学习。与之不同的是，英特尔此次推出的测试芯片可以在机器终端进行学习。
英特尔表示，本地化的自学能力相对基于云计算的系统有独特优势。例如，这样的计算速度更快，因为在系统学习过程中，芯片和与云计算平台之间不必交换数据。基于这种不同的思路，该芯片也因为与当前大部分人工智能系统的训练方式不同而效率更高。因为省去了与云计算平台之间交换数据的过程，终端计算速度将更快。
目前，这款芯片仍处于原型阶段，英特尔计划明年与大学和其他研究机构合作，展开进一步的开发。
对于智能在终端还是云端的争议由来已久，不过业界对智能的终端部署已经产生了足够的重视。在前不久推出的 iPhone X 上，一大亮点就是苹果基于 A11 芯片组建了一套运算能力+适应环境+相关硬件的本地 AI 执行体系。从英特尔的这项工作来看，随着芯片技术的发展，对智能的终端部署似乎有了更值得期待的解决方案。
头图来源：newsroom.intel.com
责任编辑：早优夫斯基
