中年最大规模的神经拟态计算系统，神经容量相当于小型哺乳动物的大脑 |哺乳动物|容量|

一直以来，科学家和工程师们都在努力复刻人脑的工作原理，由此诞生了我们熟悉的神经网络。
在这一过程中，人们也在尝试复制感官能力，英特尔的神经拟态芯片 Loihi 就是一项最新的研究成果：它拥有 13 万个神经元（1024 核），实现了嗅觉模拟，掌握了 10 种危险品不同气味的神经表征。

本文插图
人类的嗅觉识别看似只有闻一闻这个动作，但背后的机制非常复杂。
如果你拿起一个葡萄柚闻一闻，水果分子就会刺激鼻腔内的嗅觉细胞。鼻腔内的细胞会立即向你的大脑嗅觉系统发送信号，一组相互连接的神经元中的电脉冲就会在这个嗅觉系统中产生嗅觉。
无论闻到的是葡萄柚、玫瑰还是有害气体，你大脑中的神经元网络都会产生该物体特有的感觉。同样，你的视觉和听觉、回忆、情绪和决策都有各自的神经网络，它们都以特定的方式进行计算。
神经拟态计算的优势
神经拟态计算（Neuromorphic Computing）是一个由硬件开发、软件支持、生物模型相互交融而成的古老领域，旨在基于仿生的原理让机器拥有类人的智能。
低功耗、高容错、创造性…… 人脑有太多值得机器追赶的能力，因此也是很多计算科学家为之向往的存在。在人脑这个仅占 3% 人体质量的器官中， 1000 亿个神经元携 1000 万亿个突触相连接。每一秒都有神经元衰老死亡的情况下，大脑仍能运转计算着世界扑面而来的巨大信息量。而功耗只有 20 瓦。
1980 年，人类首次打开神经拟态计算的大门。超大规模集成电路 (VLSI) 发明者之一、加州理工学院传奇人物 Carver Mead 首次提出神经拟态概念，并设想用 CMOS 模拟电路去模仿生物视网膜，搭建具有生物计算特性的系统。
2017 年，作为英特尔研究院的一个研究课题，英特尔开发了代号为 Loihi 的第一款自主学习神经拟态芯片，在神经拟态硬件的开发上迈出一步。

本文插图
据英特尔中国研究院院长宋继强介绍，之所以选择这个研究方向，主要是出于两个考虑。
第一，想要训练一个可用的模型，神经拟态技术所需的数据和能耗较少。现在的人工智能和深度学习技术，训练起来需要大量的数据和能源。一个大型模型所消耗的电量会产生大量的碳排放，约等于 5 辆汽车整个生命周期的排放量。而且随着人工智能技术的发展，能耗势必会越来越多。
这时候就需要寻找一种既能提高能效比，又能提高数据使用率的方案。神经拟态计算恰好满足这种需求。
第二，相比深度学习，神经拟态计算模型更容易解释和推理。虽然深度学习技术很强大，但它的一个劣势是黑箱问题。即使是模型开发者，也难以完全解释清楚复杂模型的工作原理和行为模式。
相比之下，神经拟态作为类脑计算模型有着天然优势。在逐渐通过小数据学习产生网络之后，它是可以解释的，行为更加稳定，也支持更深层次的推理，然后根据更多数据持续自学。
“我们希望人工智能模型是可以解释的，我知道你为什么做得好，为什么做得不好，这样才可以用在一些关键的任务当中， ” 宋继强在近日接受 DeepTech 等媒体采访时表示。
软硬件结合
在 2020 年 3 月发表的论文中，英特尔和康奈尔大学联合团队介绍了 Loihi 芯片背后的故事。
他们以动物的生物嗅觉系统为基础，测量动物闻到气味时的脑电波活动，然后根据这些电路图与电脉冲，导出了一套算法，并将其配置在测试的 Loihi 神经拟态芯片上。
在研究中， Loihi 需要学习检测复杂混合物的不同气味。在一个风洞实验中循环着 10 种气体物质（气味），传感器对各种气味的反应被传送至 Loihi ，由其芯片电路对嗅觉背后的大脑电路进行模拟。