未來計算的形式會是怎樣的？

12 月 4 日，中國科學技術大學宣布，該校潘建偉、陸朝陽等組成的研究團隊與中科院上海微系統所、國家並行計算機工程技術研究中心合作，構建了 76 個光子的量子計算原型機「九章」，求解數學算法 「高斯玻色取樣」，處理 5000 萬個樣本只需 200 秒，而目前世界最快的超級計算機要用 6 億年。相關論文於 12 月 4 日在線發表在國際學術期刊《科學》。

雖然大多數人還不清楚何為量子計算機，但是「九章」的問世，毫無疑問地向世人證明了計算的種類，遠遠不止我們常見的電腦或者手機。在電腦 CPU 領域，英特爾是多年以來市場的領導者，但這不意味著英特爾在計算領域只做這一塊。

在前幾日的英特爾研究院開放日上，英特爾公布了其在集成光電、神經擬態計算、量子計算、保密計算、機器編程五項新技術進展。

量子計算方面，英特爾宣布推出第二代低溫控制晶片 Horse Ridge II，這標誌著英特爾在突破量子計算可擴展性方面取得新進展。可擴展性是量子計算的最大難點之一。在 2019 年推出的第一代 Horse Ridge 控制器的創新基礎上，Horse Ridge II 支持增強的功能和更高集成度，以實現對量子系統的有效控制。新功能包括操縱和讀取量子位狀態的能力，以及多個量子位糾纏所需的多個量子門的控制能力。

同時，英特爾分享了英特爾神經擬態研究社區（INRC）的最新進展。該社區自 2018 年成立以來發展迅速，現已擁有 100 多名成員。英特爾宣布，聯想、羅技、梅賽德斯 - 奔馳和機器視覺傳感器公司 Prophesee 加入 INRC，共同探索神經擬態計算在商業用例上的價值。此外，得益於英特爾神經擬態研究測試晶片 Loihi 的計算能力，英特爾還概括介紹了英特爾神經擬態研究社區更多的研究成果.

通過對英特爾神經擬態系統上的應用進行持續開發、原型設計和測試，英特爾和英特爾神經擬態研究社區成員獲得了越來越多的成果，並顯示在各種工作負載中神經擬態計算都能帶來性能的一致性提升。現有的研究結果 —— 例如模仿人類嗅覺系統、將基於事件的觸感引入機器人，結合英特爾研究院開放日上所介紹的新基準，勾勒出一副新的圖景，即：神經擬態計算非常適合新興的、具有商業相關性的仿生智能負載。

英特爾研究院開放日重點介紹的基準更新包括：

語音命令識別：埃森哲測試了在英特爾 Loihi 晶片上識別語音命令的能力和在標準圖形處理單元（GPU）上識別語音命令的能力，發現 Loihi 不僅達到了和 GPU 類似的精度，而且能效提高 1000 倍以上、響應速度快 200 毫秒。通過英特爾神經擬態研究社區，梅塞德斯 - 奔馳正在探索如何將這些結果應用到現實用例中，例如在汽車中加入新的語音交互命令。

手勢識別：傳統的 AI 可以很好地處理大數據並識別成千上萬個案例的模式，但它很難識別人與人之間細微的差異 —— 比如我們用於交流的手勢。埃森哲和英特爾神經擬態研究社區合作夥伴展示了 Loihi 在快速學習和識別個性化手勢方面取得的切實進展。通過處理來自神經擬態相機的信息，只需幾次曝光 Loihi 即可學習新手勢。這可以應用於各種用例，例如與家庭中的智能產品進行交互或在公共場所的非接觸式顯示。

圖像檢索：零售行業的研究人員評估了 Loihi 對基於圖像的產品搜索應用。他們發現，在保持相同精度水平的情況下，Loihi 生成圖像特徵向量的效率比傳統的中央處理單元（CPU）和 GPU 解決方案提升三倍多。這一結果是對英特爾今年早些時候發布的神經擬態研究系統 Pohoiki Springs 的相似度搜索結果的補充，表明 Loihi 在百萬幅圖像資料庫中搜索特徵向量的速度比 CPU 快 24 倍，且能耗低 30 倍。

優化和搜索：英特爾及其合作夥伴發現，Loihi 解決優化和搜索問題的效率比傳統 CPU 高 1000 倍、速度快 100 倍。優化問題，如約束滿足可以在邊緣端提供潛在價值，例如：讓無人機能夠實時規劃並做出複雜的導航決策。同樣的問題類型也可以擴展到複雜的數據中心負載，完成協助列車調度和物流優化等任務。

機器人技術：羅格斯大學和代爾夫特理工大學的研究人員展示了在 Loihi 上運行機器人導航以及微型無人機控制應用的演示。代爾夫特理工大學的無人機使用一個包含 35 個神經元，並且能演進的脈衝網絡進行光流著陸（optic flow landing），頻率超過 250 千赫茲。羅格斯大學發現，其 Loihi 解決方案所需的功耗比傳統移動 GPU 低 75 倍，而性能卻沒有任何下降。在 11 月於 2020 機器人學習大會上發布的報告中，羅格斯大學的研究人員發現 Loihi 可以成功學習諸多 OpenAI Gym 的任務，其精度與深度行動者網絡（Deep Actor Network）旗鼓相當，而能耗卻比移動 GPU 解決方案降低了 140 倍。

可以看到，神經擬態計算在不少垂直的應用場景能夠實現比傳統計算高得多的性能表現。

在公開日發布一系列新進展之後，英特爾也舉辦了圓桌論壇，英特爾中國研究院院長宋繼強和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，英特爾首席科學家、英特爾研究院機器編程研究主任及創始人 Justin Gottschlich 討論了未來的計算趨勢。

其中有一個核心問題，也是大眾非常關心的問題， 那就是為什麼英特爾會投入對神經擬態計算和機器編程的研究？

Mike Davies 說：

我們採用了神經擬態研究的非常基本的方法，認識到自然界有一種智能計算的解決方案，是我們今天的傳統計算無法比擬的。

因此，儘管最近幾年我們在傳統計算機架構和人工智慧的深度學習技術方面取得了進步，但與大自然的生物大腦所能實現的功能相比，我們還有很長的路要走。所以這就激勵我們去尋找一種新的計算機架構，能夠適應非常廣泛的工作負載。

在這方面，大腦的計算能力比我們今天的傳統方法要強得多，而這超出了模式匹配和基於深度學習的訓練範式。這幾種範式需要大量的數據來執行非常重要的任務，但與你所看到的有機體的行為能力相比，它們仍然非常有限。

這就是我們的想法，我們順著這個思路，試圖找到一種更通用的人工智慧架構，能實時解決各種類型的問題，從規劃問題到優化問題並且能夠以比今天的常規方法快得多的速度，實現模式匹配和深度學習模型所能做到的，並且使用更加節能的解決方案。因此，我們的方法不同之處在於：它是一種非常基本的、自下而上的角度，直接從神經科學中獲取靈感。目標是要開發出比我們現有的更通用的可編程架構。

機器學習，如深度學習，通過使用大量的訓練數據集來識別物體和事件，最近取得了巨大的進步。但是，除非這些訓練數據集考慮到特定的元素、條件或環境，否則這些機器學習系統不能得到很好地泛化。

隨著人工智慧計算任務變得越來越多樣化和複雜，研究人員將關注當前主流計算架構的局限性，提出新的顛覆性方法。展望未來，英特爾認為，神經擬態計算帶來了一種方式，以類似大腦的結構來提供超大規模的計算性能。通過進行自主學習，即使在不同應用方向和場景下，也能很快的通過自主學習來進行適應。

神經擬態計算的靈感來自我們目前對大腦結構及其計算能力的了解。大腦的神經網絡通過脈衝來傳遞信息，根據這些脈衝的時間來調節突觸強度或突觸連接的權重，並把這些變化存儲在突觸連接處。腦內神經網絡及其環境中多個區域之間的協作和競爭性相互作用就產生了智能的行為。

英特爾希望能夠做到神經擬態計算這種方式，能夠更好地模擬人腦神經元的結構，不僅是多路的輸入和強度，同時還有時間先後的延遲順序。一個腦當中可以同時學習多種任務，包括語音任務、視覺任務、決策任務、操作控制等等，它是多功能的。硬體上可以具備一邊工作一邊學習的能力，也就是片上的學習能力，這些都需要突破式的發展才能做到。