近期，麻省理工學(xué)院的研究人員開發(fā)了一種專用芯片，將神經(jīng)網(wǎng)絡(luò)計算的速度提高了 3 倍至 7 倍，同時將功耗降低了 95％。這將會使在智能手機上運行神經(jīng)網(wǎng)絡(luò)變得切實可行。

不管是語音識別還是面部識別，目前大多數(shù)人工智能系統(tǒng)的進步背后都來自于神經(jīng)網(wǎng)絡(luò)的功勞。人工神經(jīng)網(wǎng)絡(luò)，也就是通過大量簡易“神經(jīng)元”（信息處理器）連接而成的系統(tǒng)，能夠通過分析大量訓(xùn)練數(shù)據(jù)學(xué)習(xí)如何完成不同的任務(wù)。

正是因為這樣的結(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)占用空間大，其計算過程中的耗能也相應(yīng)非常大。因此，目前的神經(jīng)網(wǎng)絡(luò)很少能夠被便攜設(shè)備使用。目前所有使用神經(jīng)網(wǎng)絡(luò)的智能手機軟件只能向網(wǎng)絡(luò)服務(wù)器發(fā)送數(shù)據(jù)，通過接收服務(wù)器返回的數(shù)據(jù)完成計算。

不過，麻省理工學(xué)院（MIT）的研究人員開發(fā)了一種能夠?qū)⑸窠?jīng)網(wǎng)絡(luò)計算速度提升 3-7 倍的專用芯片。除了提升計算性能，這類芯片還能夠減少計算時 94-95% 的能耗。這種芯片使智能手機運用神經(jīng)網(wǎng)絡(luò)進行計算成為了可能，甚至能夠擴展到在各式智能家居中的應(yīng)用。

負責(zé)芯片開發(fā)的 Avishek Biswas 是這樣解釋的：“目前大部分的處理器芯片都有這樣的模型：芯片的一部分是內(nèi)存，另一部分是處理器。在計算的同時，數(shù)據(jù)相當于是在這兩部分之間來回移位?！盉iswas 是 MIT 電氣工程和計算機學(xué)的一名研究生。

“由于這類機器學(xué)習(xí)算法需要非常多的計算量，數(shù)據(jù)的移位消耗了總能量中的絕大部分；但是算法中的計算本身其實能夠被簡化為‘點乘’這一種運算。我們因此產(chǎn)生了這種想法：能不能將這種‘點乘’運算直接在內(nèi)存中執(zhí)行，從而不需要將數(shù)據(jù)來回移動呢？”

Biswas 和他的指導(dǎo)教授，MIT 工程學(xué)院院長、Vannevar Bush 榮譽教授 Anantha Chandrakasan 在他們最新發(fā)表的論文中詳細地描述了這種新型芯片。Biswas 在上周的國際固態(tài)電路會議（International Solid State Circuits Conference）中介紹了這篇論文。

重回抽象

人工神經(jīng)網(wǎng)絡(luò)一般被分成很多層，某一層中的一個處理器節(jié)點會從數(shù)個下層節(jié)點中獲得數(shù)據(jù)，在計算后又將結(jié)果傳送給上層中的數(shù)個節(jié)點。任意兩個節(jié)點的連接都擁有不同的權(quán)重（weight），標志著下層節(jié)點傳送的數(shù)據(jù)對于上層節(jié)點的計算有多大的影響?！坝?xùn)練”神經(jīng)網(wǎng)絡(luò)的過程其實就是調(diào)試并改進這些權(quán)重數(shù)據(jù)。

當某個節(jié)點獲得下層節(jié)點傳送的數(shù)據(jù)后，它會將每個數(shù)據(jù)乘以它的權(quán)重，然后將這些結(jié)果相加。這一運算過程——將相乘后的所有結(jié)果相加——就叫作“點乘”。如果點乘的結(jié)果超過了某個定值，這一結(jié)果將被傳送給更上層的節(jié)點。上層節(jié)點也將會這一結(jié)果乘以連接權(quán)重，然后再和別的數(shù)據(jù)相加。

“神經(jīng)網(wǎng)絡(luò)”本身其實是對這一算法的一種“抽象化”：在計算機中，“節(jié)點”其實只是內(nèi)存中的一系列權(quán)重數(shù)據(jù)。計算點乘的過程一般是從內(nèi)存中讀取一個權(quán)重和相關(guān)的計算數(shù)據(jù)，將這兩個數(shù)據(jù)相乘并將結(jié)果存在內(nèi)存的某個位置，然后重復(fù)這一過程，直到這一個節(jié)點的所有數(shù)據(jù)都被計算完畢。由于一個神經(jīng)網(wǎng)絡(luò)可能有上萬（甚至上百萬）的節(jié)點，在計算過程中其實要進行非常多的數(shù)據(jù)移動。

人工神經(jīng)網(wǎng)絡(luò)的計算過程其實是對大腦活動的一種電子化詮釋。在大腦中，信號沿著多個神經(jīng)元行進，在“突觸”或者一束神經(jīng)元之間的間隙中相遇。神經(jīng)元的放電速率和穿過突觸的電化學(xué)信號對應(yīng)著人工神經(jīng)網(wǎng)絡(luò)中的數(shù)據(jù)值和權(quán)重。這樣說來，MIT 研究人員此次研發(fā)的新型芯片通過對大腦活動的進一步復(fù)制、模仿，從而提升了人工神經(jīng)網(wǎng)絡(luò)的效率。

在這種新型芯片中，一個節(jié)點的輸入數(shù)據(jù)被轉(zhuǎn)化為不同的電壓，并且這些電壓將乘以權(quán)重大小進行放大或縮小。將相乘后的結(jié)果相加的過程能夠通過組合這些電壓得到實現(xiàn)。只有組合后的電壓會被重新轉(zhuǎn)換成數(shù)據(jù)，并在內(nèi)存中進行存儲，以進行下一步計算。

因此，這種芯片原型不需要將數(shù)據(jù)在處理器和內(nèi)存中移動——它能同時計算 16 個節(jié)點的點乘結(jié)果。

不是“開”就是“關(guān)”

這個系統(tǒng)的一大特點是權(quán)重數(shù)值不是 1 就是-1。這就意味著它們能被實現(xiàn)為內(nèi)存中的“電路開關(guān)”，也就是“關(guān)閉電路”與“打開電路”的區(qū)別。最新的理論研究表明，僅有兩個權(quán)重值的人工神經(jīng)網(wǎng)絡(luò)與其它神經(jīng)網(wǎng)絡(luò)相比，其準確性僅會下降 1%-2%。

Biswas 與 Chandrakasan 教授的研究與這一理論結(jié)果相差不遠。在實驗中，他們在傳統(tǒng)計算機中運行了一個全面的神經(jīng)網(wǎng)絡(luò)，同時在他們研發(fā)的芯片上運行了二元權(quán)重的神經(jīng)網(wǎng)絡(luò)。芯片提供的計算結(jié)果與計算機提供的結(jié)果一般僅相差 2%-3%。

“這項研究是針對深度學(xué)習(xí)應(yīng)用中基于靜態(tài)存儲器（SRAM）內(nèi)存模擬計算的一次非常有前景的實際演示?！盜BM 人工智能研究院副總裁 Dario Gil 是這樣評價的，“這項研究的結(jié)果對于在存儲陣列中實現(xiàn)卷積網(wǎng)絡(luò)提供了一種節(jié)能的實現(xiàn)方案。它一定能夠為將來在物聯(lián)網(wǎng)（Internet of Things, IoT）中采用更復(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)進行圖像和視頻分類開辟可能性。