「大腦仍然是最無敵的計算設備，即便傳統計算架構在過去 70 年取得了巨大進步。與訓練人工智慧系統的通用計算晶片相比，Loihi 晶片的能效提升了 1000 倍。」英特爾高級首席工程師、英特爾研究院神經擬態計算實驗室主任 Mike Davies 在 12 月4 日的 2020 英特爾研究院開放日上表示。
2017 年，英特爾首款自主學習的神經擬態研究晶片發布，名為「Loihi」。名字取自於夏威夷海底的一座不斷噴發的活火山，每一次噴發都會擴大夏威夷島的範圍，希望其能夠通過不斷的自我學習，可以提供更加強大的人工智慧的能力。
Loihi 採用英特爾主流的 14 納米製程技術製造而成，Loihi 沒有深度學習硬體中普遍存在的浮點數和乘法累加器單元，沒有片外內存接口。和大腦一樣，所有計算都在晶片上進行，通過二進位脈衝信息和低精度信號，內存來源於晶片神經元之間的連接。
Loihi 採用同質架構，將許多小神經擬態核實例化，每個核的大小只有針頭的一部分。通過將神經擬態結構從幾核擴展到幾百核，將小型的專用工作負載擴展至 CPU 或 GPU 大小的晶片，甚至還可以無縫排列這些晶片，處理方法與 2020 年初發布的Pohoiki Springs 系統一樣，它採用 768 個 Loihi 晶片，並包含了 1 億個神經元，同時 Pohoiki Beach 是英特爾神經擬態研究工作的重要裡程碑。
部分機器人工作負載顯示，Loihi 的功耗比傳統解決方案低 40-100 倍。其中包括一款自適應機械臂應用，它是一種觸覺感知網絡，能夠處理新型人造皮膚技術的輸入，還有一款應用是即時定位與地圖構建工作負載，簡稱 SLAM。
在大規模 Pohoiki Springs 系統上演示了類似的搜索操作，相比 CPU 實施方法，其功耗低 45 倍，運行速度快 100 多倍。Loihi 還可以解決較難的優化問題，如約束滿足和圖形搜索，其速度比 CPU 快 100 倍，但功耗比 CPU 低 1000 多倍。
英特爾在 2015 年開始開始對神經擬態的研究，以現代神經科學理解作為靈感開發了一種新型計算機架構，適合計算和處理大腦中各種智能工作負載。
圖 | Mike Davies
Mike Davies 表示，相比傳統計算機架構，神經擬態架構完全模糊了內存和處理之間的界限。和大腦一樣，它利用的是數據連接、數據編碼和電路活動中所有形式的稀疏（sparsity）。處理就發生在信息到達時，二者同步進行。計算是數百萬個簡單處理單元之間動態交互的發展結果，就像大腦中的神經元一樣。這種新型計算機架構旨在將能效、實時數據處理速度、學習數據的效率等提升多個數量級。
以無人機為例，最新競速無人機的板載處理器要消耗大約 18 瓦的電力。對於這麼一架小型無人機來說，電力消耗過高，限制了飛行時間，充電一次只能飛行 10-20 分鐘。利用最先進的 AI 技術，無人機也只能勉強以步行的速度通過預先的編程在幾扇門之間自主飛行。它們事先接受過集中訓練，才能專心完成識別門的任務。
相比之下，玄鳳鸚鵡是一種小型鳥類，大腦僅兩克重，能耗僅 50 毫瓦。玄鳳鸚鵡的體重比無人機處理器輕 20 倍，能耗低 350 倍。在這種微薄的能耗下，玄鳳鸚鵡的飛行速度可達每小時 22 英裡，還能在飛行過程中尋找食物，與其他鸚鵡交流。
Mike Davies 說到：「自然界的表現要比當前的人工智慧系統在所有維度都高出 1-3 個數量級，如速度、重量、功率、視覺敏銳度、識別的物體數量、學習效率以及智能的絕對廣度等。」
Loihi 的最新進展表明，未來的神經擬態設備，比如無人機，將可以像玄鳳鸚鵡一樣實時解決規劃和導航問題。
短期內，由於成本問題，該技術要麼僅適用於邊緣設備、傳感器等小規模設備，要麼僅適用於對成本不敏感的應用，如衛星、專用機器人。隨著時間的推移，內存技術的創新能夠降低成本，讓神經擬態解決方案擴大適用範圍，運用於各種需要實時處理數據但受限於體積、重量、功耗等因素的智能設備，神經擬態計算的前景非常廣闊。