神经形态芯片大规模应用材料是关键,黄铁军为

来源:http://www.roro2.com 作者:必威技术 人气:56 发布时间:2019-11-12
摘要:原标题:田奇、王涛、黄铁军为何谈AI技术创新是社会影响的一把双刃剑? 像人一样思考,这是人们对人工智能和机器人的期待。大踏步前进的人工智能,似乎走到了十字路口。机器综

原标题:田奇、王涛、黄铁军为何谈AI技术创新是社会影响的一把双刃剑?

必威 1

必威 2

像人一样思考,这是人们对人工智能和机器人的期待。大踏步前进的人工智能,似乎走到了十字路口。 机器综合智能水平和人脑相差较大,机器学习需要较多人工干预,不同人工智能模态之间交互协同较少……近日,在香港召开的第S43次香山科学会议上,与会科学家细数当前人工智能发展面临的瓶颈。 解铃还须系铃人,人工智能的发展也不例外。科学家意识到,想要走得更远,人工智能还要回到出发的地方,那便是人类智能。 神经科学提供基础 以深度学习为代表的机器学习方法在视听觉感知等具体问题上媲美甚至超越人类的水平。会议报告中,作为一名神经科学家,中科院神经科学所研究员蒲慕明院士为人工智能在过去几十年的发展点赞。不过,他同时看到,与人脑的学习能力相比,机器学习在可解释性、推理能力、举一反三能力等方面存在明显差距。 让机器向人学习,是提升智能水平的重要方向。会议执行主席、香港科技大学副校长叶玉如院士指出:目标是在多个层面,理论上模拟大脑的机制和结构,开发一个更具有普遍性的AI以应对包括多任务、自学习和自适应等方面的挑战。 受脑启发是人工智能最重要的发展方向。近年来,脑科学研究正在从传统的认识脑、了解脑向保护脑再向增强脑、影响脑的过程发展,即完成从读脑到脑控再到控脑的转换。学习大脑的信息处理机制,建立更强大和更通用的机器智能是非常有前景的。通过多学科交叉和实验研究获得的人脑工作机制更具可靠性,有望为人工智能未来发展提供基础。 另一方面,人工智能可以对神经学和脑科学在数据收集、标注和建模等方面提供技术支持促进脑科学的发展。 打破冯诺依曼架构 面向通用的人工智能离不开类脑计算芯片。清华大学精密仪器系教授、类脑计算中心主任施路平表示:作为一种借鉴人脑存储处理信息方式发展起来的新技术,类脑计算将是人工通用智能的基石。 打破冯诺依曼架构成为借鉴人脑信息处理方式的重要途径。据了解,在冯诺依曼架构中,计算模块和存储单元互相分离,CPU在执行命令时必须先从存储单元中读取数据。每一项任务,如果有十个步骤,那么CPU会依次进行十次读取、执行,再读取、再执行,时间和功耗都花费在数据读取上,限制了数据处理能力。这与大脑处理大量外界信息却能耗极低的现象大相径庭。 类脑计算有望把类似大脑的突触做到芯片上。今年5月,北京大学计算机科学技术系教授黄铁军课题组联合多家单位实现了灵长类视网膜中央凹神经细胞和神经环路的精细建模,提出了模拟视网膜机理的脉冲编码模型,研制成功仿视网膜芯片。 视网膜超速全时视觉芯片像生物视网膜一样采用神经脉冲表达视觉信息,脉冲发放频率超速人眼百倍,能够看清高速旋转叶片的文字,全时是指从芯片采集的神经脉冲序列中重构出任意时刻的画面。黄铁军介绍说,这是实现真正机器视觉的基础,有望重塑视觉信息处理体系,为无人驾驶、机器人、视频监控等领域带来变革。 不过,神经突触芯片还在实验室阶段,尚未走向实用。与会专家认为,类脑计算是一场令人兴奋又望而生畏的艰难挑战。 尚存三大隐忧 《中国AI发展报告2018》显示,自2013年以来,全球和中国人工智能行业投融资规模都呈上涨趋势。与会专家注意到,目前国内跟人工智能有关的公司有4000多家,但是能够得到投资人青睐或关注、愿意投资的公司,却不到三分之一。过度依赖国外现成源代码、商业应用路径不明确及专业人才稀缺是当前人工智能企业的三大隐忧。 自2015年以来,谷歌、脸书、亚马逊等纷纷发布机器学习的开源软件,导致我国企业采用大量现成的源代码。在科学家看来,这仿佛在起跑线上丧失优势,工艺再精深也是在别人的体系中做零部件的更新改造。对此,应重点突破基础领域,针对人工智能底层技术,加强对以深度学习为代表的底层算法模型的深入研究。 而对于商业应用路径不明确,专家建议企业不要太盲目,应尽快找准发力方向,AI项目商业应用场景能否落地是其成败的关键,快速积累核心技术优势,打造商业模式,才能做出真正有市场需求的产品。同时,应坚持实事求是的发展路线,避免人工智能热潮演变成一次大跃进,透支研究和实业资本资源。 《中国科学报》 (2018-09-10 第4版 综合)来源:中国科学报

必威 3

AI、量子计算、神经形态计算都是当下的热词,但他们并非全新的技术。这些几十年前就被提出的技术,因为各种因素的限制,至今仍未达到相对理想的状态。在这三者中,AI目前最为火热,其中很重要的原因是深度神经网络的突破。那么,神经形态计算到底是不是可实现?什么时候才会爆发?业内专家北京大学信息科学技术学院教授,北京智源人工智能研究院院长黄铁军给出了非常明确的答案。

受访者供图

9月8日-9日,由人力资源社会保障部、中国科学院主办、马上科普协办的以“人工智能:技术创新与社会影响”为主题的百千万人才工程创新大讲堂在北京智能化大厦成功举办。会议内容主要是以主题演讲的形式,从技术前沿到产业热点、人类伦理到社会变革为主线共话人工智能。

神经形态芯片是一个必然的发展方向

黄铁军,生于1970年12月,籍贯河北省邯郸市,北京大学信息科学技术学院教授、北京智源人工智能研究院院长、国家人工智能标准化总体组副组长,主要研究方向为智能视觉信息处理与类脑智能。

其中,华为诺亚方舟实验室计算视觉首席科学家田奇发表了《行人重识别:挑战和最新发展》的主题演讲、爱奇艺资深科学家王涛发表了《互联网视频AI》的主题演讲、北京大学信息科学技术学院教授、计算机科学技术系主任黄铁军发表了《类脑计算与仿视网膜超速全时芯片》的主题演讲。三位行业专家分别从视频监控领域、娱乐视频领域、以及芯片领域对AI技术的发展现状与难点弊端进行了全面分析。

在AI技术发展的潮起潮落中,既有坚定的支持者,也有众多的质疑,质疑者认为AI只是技术狂人无法实现的理想。对于还未看到商业应用的神经形态计算来说,自20世纪80年代,当时传奇的加州理工学院教授Carver Mead提出采用晶体管亚阈值态模拟生物神经元细胞的功能以来,也一直面对众多质疑。

爱国情 奋斗者

行人重识别如何挑战大规模数据存储?

这其中有很多种因素。主要研究方向为智能视觉信息处理与类脑智能的黄铁军教授接受雷锋网专访时表示,神经形态芯片有别于现在常见芯片,涉及到信息处理方式的根本转换,愿意在新方向尝试、创新以及冒险的人比较少。特别是在国内,神经形态的研究10年前才开始,比国外晚了20年,愿意探索新方案的人更少。

“刚开完会,上午会议结束得晚,咱们边吃边聊吧。”第一次见到北京大学信息科学技术学院教授黄铁军是在一次会议间隙,正值午饭时间,快人快语的他直接招呼记者一起用餐。

行人重识别(Person re-identification)也称行人再识别,是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术,旨在解决识别大规模视频数据中重复出现的相同人物。广泛被认为是一个图像检索的子问题。给定一个监控行人图像,检索跨设备下的该行人图像。旨在弥补目前固定的摄像头的视觉局限,并可与行人检测/行人跟踪技术相结合,可广泛应用于智能视频监控、智能安保等领域。

北京大学信息科学技术学院教授,北京智源人工智能研究院院长黄铁军博士

1970年,黄铁军生于河北省邯郸市大名县的一个普通村庄,和著名歌手邓丽君是同乡。若是身处在人群中,中等个子、衣着朴素的黄铁军,显然不会像邓丽君那样引人注目。但在人工智能机器视觉领域,他有着绝对的发言权。

必威 4

参与神经形态研究的人比较少,再加上许多研究人员开展相关研究是觉得神经形态很有意义,主要是享受研究过程,而很少考虑如何去应用或实现商业化。外界既看不到应用,出现质疑的声音难以避免。

最近他的成果再次成为业界关注的焦点。前段时间,黄铁军牵头研制的超速全时仿视网膜芯片首次公开亮相。这款芯片采用光电技术,能“看清”高速旋转叶片上的文字,可充当AI的“超速电眼”。

这一研究课题正吸引越来越多来自工业界和学术界的关注,行人重识别课题研究的兴起涉及解决极具挑战的大规模数据存储问题,为智能视频分析处理技术的发展提供了前所未有的机遇,同时也展示出在例如监控视频网络中的行人检索、追踪以及事件检测等公共安全问题上的应用前景。

黄铁军指出:“全球范围内神经形态研究的现状如此。不过,我们可以从两个角度去看这个问题,从学术角度看,一项技术研究几十年,然后一夜之间突然爆发的例子非常多,比如深度学习。从商业角度看,应用落地需要很多条件,需要一个能够展现新技术优势的契机,仅仅因为还没有看到应用就开始质疑是不符合科技发展规律。可以肯定地说,神经形态计算是一个必然的发展方向。”

从农村娃到如今的AI大咖,在黄铁军身上,有着怎样的故事?

田奇在报告中,首先从行人重识别的背景讲述,然后是行人重识别面临的挑战与难点,以及未来可研究的方向与展望。田奇提到,由于大城市里摄像头的无处不在,智慧城市中的智能监控系统所产生的数据量超过所有数据集的一半以上,视频监控包括很复杂的信息内容,而视频监控中的人、车、物更受关注。

说神经形态计算是必然的发展方向不无道理,因为神经形态计算在某种意义上超越了经典计算的概念。例如,机器视觉是先获得的图像或图像序列,然后再用算法去做目标分割和检测。这与生物感知世界的过程恰恰相反,生物视觉是先检测到一个物体,先感知到一个运动物体在靠近,再去识别它是什么,而且这个过程不必非要归结为计算过程。

高中时对编程感兴趣

行人重识别研究上遇到的主要问题有大规模数据的问题、表观的差异性、非理想的场景问题。

按照黄铁军的解释,神经形态计算的“计算”并非经典的计算,把这个方向称为神经形态信息处理更合适,它是将外界的时空信号转换成神经脉冲,然后经神经网络加工产生结果。这种方式比传统计算方式在处理时空信息的时候更直接,可以节省掉很多不必要的算力。另外,抛弃传统计算,用光电器件直接进行信息处理,可以比生物神经网络速度更快,实现千倍乃至更多数量级的提升。

1986年,黄铁军上高二。那时很多人还没见过计算机,他却幸运地就用上了电脑。

而在行人重识别的进步发展上,体现在基础图像数据集:Market-1501、MARS、PRW、MSMT17。田奇更多的是从视频监控的角度来阐述行人重识别技术研究的必要性与安全性,同样也从侧面强调出当前智慧安防发展的重要性。

神经形态芯片研究难在哪?

“当时正值国家在中学推广计算机学习,一些电脑被下发到部分学校。我所在的高中就有5台电脑,而后我参加了学校组织的计算机兴趣班。”黄铁军回忆道,自己对计算机“一见如故”,没学多久就开始自己上机编程。

视频AI在互联网领域现存的挑战与痛点

既然神经形态计算是一个必然的发展方向,相比传统计算方式处理时空信息也有着显著的优势,但为何外界没有看到巨大的突破?黄铁军指出,时空信息处理的复杂度比传统的冯诺依曼计算架构的串流形式更复杂,比并行计算也更为复杂。这是因为,串行方式可控性相对比较好,但是时空信息中,脉冲之间的时间和空间关系不仅要维持,还要变换,不像经典计算那样是个严格可控的过程,一旦前面出错,后面结果很可能完全不对。

因为他程序编得好,老师把一台电脑拨给他专用。如今,黄铁军仍心存感激,高中时这段与计算机亲密接触的经历,为他日后的科研选择埋下了伏笔。

随着AI技术的快速发展,语音识别,视频理解,精准推荐,智能创作等技术广泛应用,对人类社会各方面产生了深刻的影响,也引发了伦理道德、工人下岗、超越人类AI等一系列担忧。王涛在报告中主要介绍了AI在互联网视频领域的发展状况,挑战问题,社会影响,并探讨了AI互联网视频当前发展的利弊与未来发展的方向。

另外,就像计算机视觉需要摄像头作为外设搭配CPU、GPU或其它处理器进行处理。神经形态计算也需要感知芯片和处理芯片,感知芯片负责采集各种物理和化学信号,处理芯片把获得的脉冲序列进行加工。

1988年,临近高考,那时的他一心想探求世界本源,于是毫不犹豫地填报了北京大学物理系。遗憾的是,他高考发挥失常,没能进入心仪的大学。正在犹豫是否复读时,他收到了武汉工业大学的补录录取通知书,随后进入该校计算机学院应用技术专业。

多维的视频发展历程即从物理世界(人物、场景、活动)开始,后演变成图文视频(文字、图片、声音、视频)、高清视频(高分辨、高动态、高帧率)、网络视频(编码、传输、互动)、VR视频(全视角、全景声、可交互)、AI视频(智能创作、智能理解、智能分发),当代的AI视频具有智能服务、实时交互、播放流畅、信息丰富的特点。

但无论哪种芯片都面临着挑战。黄铁军指出,神经形态感知芯片需要采集和感知不同类型的信号。目前光的感知和采集不是大问题,但对于其他信号的采集,比如触觉和味觉,虽然可以探测,但是要以一种阵列方式精细地感知还有一定挑战。简而言之,神经形态感知芯片的重要挑战在于物理化学信号的高精度高效采集。

1995年,黄铁军进入华中理工大学图像识别与人工智能研究所攻读博士学位,主要研究方向为双目立体视觉及其在虚拟现实中的应用。毕业后,1999年他进入中国科学院计算技术研究所进行博士后研究,研究方向为图像识别技术,合作导师是时任所长、现北京大学教授、中国工程院院士高文。

而对于互联网视频发展现状上看,王涛提到,中国在线视频用户数达6.09亿,爱奇艺月度独立设备大于6亿。视频的应用可广泛覆盖于社交、电商、安防、交通、医疗、教育、娱乐与资讯。发展趋势上,当前的互联网视频呈现两点,一是连接人与服务,二是AI提升视频生产运营效率。随着当前各种流量风口的爆破,视频AI化成为必然趋势。

神经形态装置的工程涉及开发其功能类似于大脑部分的组件

“逼上梁山”转战视频编码

必威 5

至于神经形态处理器,要处理神经脉冲序列就需要根据不同的任务,构建类似于生物的神经网络,这本身就比传统的网络构建难度更大,要知道深度学习也探索了几十年,最后才找到一个模型能解决问题。另外,生物的神经系统包含大量神经元和突触,神经形态就是要用光电器件模拟生物的神经单元和结构。目前是采用比较复杂的电路来实现,业界还在寻找各种功能材料,直接实现类似生物神经元或神经突触的功能,它不再是一个电路,而是一个物理器件,这样才能以与生物相当或更小的尺度实现大规模神经形态网络。

从博士到博士后,黄铁军的研究都围绕图像识别展开。当时,他以为自己会沿着这条路走下去,但命运却把他引向了一条岔路——视频解码。

报告现场,王涛指出AI技术在爱奇艺视频中的应用:智能制作、智能生产、智能标注、智能分发、智能播放、智能变现、智能客服。

这也是目前神经形态芯片研究的一个热点,现在已经找到了一些材料,但还不够成熟。一旦材料上有了突破,神经形态的大规模应用才能迎来大规模的商业化。

2002年,数万台我国制造出口的DVD,由于未支付专利许可费,在欧盟地区被海关扣押。在专利大棒的打压下,集中在广东地区的相关生产工厂大量倒闭。

而智能创作——智能选角的AI应用正广泛落地,AI智能匹配精确度也愈加符合当代影视创作风格,且能大量减少不必要的经费支出。除此之外,GAN生成技术、精准分割技术、智能硬件等新型AI技术正巧妙融合与视频中。

从公开资料看,神经形态计算方面英特尔取得了不错的进展,英特尔7月宣布代号为“Pohoiki Beach”的800万神经元神经形态系统已经可以供广大研究人员使用,它包含64块Loihi研究芯片。

“那是改革开放后,我国首次遭遇重大知识产权问题。”黄铁军说,制定中国自主知识产权音视频压缩标准,摆脱受制于人的困境,在当时变得十分迫切。

然而在社会影响上,优劣皆存。王涛举例说明:个性化推荐与沉迷上瘾,信息茧房。目前的现象是个性化推荐成为主流,推荐迎合用户兴趣和吸引眼球的信息,好处在于可提高用户获取信息的效率,但是威胁同样不能忽视:算法滥用,价值观导向不良,诱导用户沉迷上瘾,导致信息茧房。此外,自动生成内容与法律监管、虚拟现实与认知偏差等问题同样需要引起群众的重视。

虽然相比鼠脑数千万神经元和人脑数百亿神经元还相差甚远,但黄铁军教授认为能够做到800万神经元已经不错了,Pohoiki Beach是一个非常重要的阶段性成果。不过要用到小型智能系统里还是太大。

彼时,主题为“宽带流媒体”的香山科学会议正在召开,大会主席安排黄铁军起草会议简报。会议期间,工信部、科技部相关领导明确要求成立数字音视频编解码技术标准工作组,解决音视频产品的知识产权问题,高文任组长。

可实现强人工智能的有力武器——类脑计算

图中是一块连接到Arria 10 FPGA开发工具包的英特尔Nahuku基板,每块基板包含8到32块英特尔Loihi神经拟态芯片。英特尔最新的神经拟态系统Pohoiki Beach由多块Nahuku基板组成,含64块Loihi芯片

对黄铁军来说,视频编码是个“从未涉足过的领域”。但由于简报写得好,博士后刚出站的黄铁军就被任命为AVS秘书长。他自嘲道,自己是“被逼上梁山”的秘书长。

类脑计算是计算机出现以来最大的一次革命,有望实现强人工智能(通用人工智能,AGI)。视觉感知是生物智能的重要组成部分,生物视觉信息处理机制优越,仿视网膜超速全时视觉芯片像生物视网膜一样采用神经脉冲表达视觉信息,脉冲发放频率“超速”人眼百倍,能够“看清”高速旋转叶片的文字。“全时”是指从芯片采集的神经脉冲序列中重构出任意时刻的画面,这是实现真正机器视觉的基础,有望重塑视觉信息处理体系,为无人驾驶、机器人、视频监控等领域带来重大变革。

从英特尔公布的照片看,由多块Nahuku基板组成的Pohoiki Beach因为体积的问题确实还不太适合应用于小型智能系统,但确实是神经形态研究的重要里程碑,我们可以期待英特尔研究院将这个架构扩展到1亿个神经元。

“既然是国家需要,自己接下了任务,就得好好干。”黄铁军说,此后他的研究重心逐渐向视频编码方向倾斜。

报告现场,黄铁军多次强调,人工智能是以机器为载体的智能,以及智能为用与机器为体的重要性。其中,黄铁军指出通用人工智能、强人工智能、类人智能、以及大数据智能、跨媒体智能等不同人工智能的分类与不同。强人工智能指能够适应环境、应对未知挑战、具有自我意识、达到人类水平(因而超越人类)的智能。

神经形态芯片未来几年将影响AI

AVS工作组成立后,经历过一段艰难岁月。黄铁军说,2004年工作组制定的视频编解码技术标准送审,但直至两年后才发布。“因为产业化本身涉及芯片、软件、产品设备和端到端系统等众多关键环节,只有研制出符合标准的芯片,标准才能通过。”他说。

必威 6

随着神经形态研究的推进,应用也将会落地。黄铁军在采访中多次指出,一个新技术要落地,需要有比传统方法解决问题明显的优势,这种优势要不可替代性才能够快速导入应用。深度学习就是一个例子,2006年深度学习论文发表在顶级学术期刊《Science》上,但没有商业化和应用。2011年,有学者用深度学习的方法处理语言和图像,比传统方法好一些,但也只是在学术圈觉得有意义,直到2012年,深度学习算法在ImageNet LSVRC比赛中把性能陡然提高了11%,深度学习才广受关注并被应用。

矛盾的是,如果标准不发布,企业就不愿研发芯片。无奈之下,工作组最终决定自己组织芯片设计团队。15年来,这支团队伴随着AVS标准制定,研发出了一系列视频编码芯片。

黄铁军说:“计算机不能创造强人工智能,但是计算机能创造可实现强人工智能的载体。”

那神经形态芯片会在哪些领域有这样的契机?视觉是一个很好的机会,神经形态视觉芯片采集速度可以达到常规方法的1000倍,如果用传统方法加上传统视频摄像头和传统处理器,每秒要处理3万幅图像,计算性能比常规视频需要提高1000倍,成本和芯片体积都是很大的问题。但神经形态芯片一个芯片就可以解决。

搞研究不走寻常路

而在类脑计算上,黄铁军详细的阐述了自然进化的人类大脑所掌握必要的感性与理性因素,是如何通过类脑计算,通过计算机的算法来赋予机器,使其具有类人脑的意识。而这,也是目前科学界正在深入挖掘的领域。而这所涉及到的神经形态计算与仿脑计算尤为重要。因此,大脑神经网络解析、神经机/电子大脑、理解机器智能、理解大脑闭合环状路线就是目前可探索的方法。

比如,黄铁军教授和他的团队研制的超速全时视觉芯片SpikeOne,空间分辨率为400×250,最大脉冲发放频率为4万Hz,即最小时间分辨率为25 μs ,时间灵敏度相当于传统4万帧的专用摄像设备,功耗只有350mW。

参与AVS工作的同时,黄铁军也开始了从图像识别转战视频编码的旅程。正因是“半路出家”,他的研究视角和长期在此领域研究的人不太一样。

通过以上三种行业三种AI领域的学术研究分享,可以清晰地看到,AI正在以不知不觉的速度急速扩展到大众的身边,在感受AI技术强大的同时,利弊之分同样值得我们重视!返回搜狐,查看更多

超速全时视觉芯片与成像系统

比如,黄铁军巧妙地捕捉到,监控视频具有背景相对不变的特点,提出了基于场景建模的视频编码方法。仅靠这项技术,就把视频编码的效率提高了1倍。“采用现行标准,全国3千万个摄像头采集的视频,若保质保量存储3个月的内容就需要2千亿元。用上这项技术后,等量的内容存储成本可降至500亿元。”他说。

责任编辑:

超速全时视觉芯片SpikeOne是一种典型的神经形态感知芯片,能够像灵长类生物眼睛一样感知光线变化并编码为高速脉冲序列。 “全时”是指从芯片采集的脉冲序列中重构出任意时刻的画面,从而实现连续视觉感知。“超速”是相对于生物视觉而言的,生物视觉系统受限于生理限制,每秒发放的神经脉冲数只有几十个,“电眼”采用光电器件,脉冲发放频率达到万赫兹乃至更高。

云计算改变了信息的应用和服务模式,但大量摄像头拍摄的视频很难传至云端,于是黄铁军又“脑洞大开”。

采用SpikeOne 芯片的成像系统对实时采集的脉冲阵列数据,一方面可以接入神经网络进行视觉分析任务,如字符识别和对象检测等;另一方面,利用图像重构软件可以实时地显示当前场景的脉冲和纹理图像。对高速运动敏感,并能精细恢复场景图像,能够用于高速运动物体的检测、跟踪和识别,在自动驾驶、无人机控制、机器人视觉等领域的应用潜力巨大。

“传到‘云’里的视频不是给人看,而是给机器‘看’,所以只要传回机器识别所需的视觉特征就可以了。”他说,采用这个技术思路,视频传输流量可减少90%以上,大大减轻了传输压力。

优势和潜力巨大,是否意味着脉冲神经网络是目前深度神经网络的必然继承者?黄铁军认为这种观点太绝对,但他对这种观点持乐观态度,因为人工智能系统如果要对时空信息的变化作出感知并采取相应的行动,神经形态方法有天然的优势。在这个意义上,神经形态芯片将会对人工智能产生非常大的影响。

必威,基于上述两项创新成果,由黄铁军牵头的团队获得了2017年度国家技术发明奖二等奖。

记者此前报道,8月刊《自然》封面文章是清华大学施路平教授团队的新型AI芯片,它结合了类脑计算和基于计算机科学的人工智能。也就是将脉冲神经网络和人工神经网络进行了融合。因为在一些应用中,比如识别,目前ANN可以做的更好,所以现在用ANN和SNN融合是一个合理的方案。

在新领域屡创佳绩的黄铁军,却一直没忘了自己的“老本行”——图像识别。在该研究领域,他依旧体现出了与众不同的研究视角。

对于神经形态计算最终将如何影响AI的问题,黄铁军教授认为,类似无人驾驶视觉系统的应用对神经形态的需求在增加。神经形态芯片与AI结合展现出的巨大优势在最近几年就能体现出来。例如,神经形态传感器和神经形态处理器有效配合,实现高速状态下远超生物的视觉感知,采用现有人工智能方法几乎不可能实现,即使实现代价也难以承受,但对神经形态芯片来说却并非难事。

长久以来,一些科学家习惯以人类自身为标准思考机器如何“看”,以为机器视觉和人类视觉一样,但黄铁军却不这么认为。

2019 年10月17-19日,2019 中国计算机大会(CNCC 2019)将在苏州金鸡湖国际会议中心举办,由中国计算机学会 (CCF) 主办,苏州工业园区管委会承办。今年的大会主题为「智能+引领社会发展 (AI+ Leading the Development of Society)」,大会包含了:十五位国内外计算机领域知名专家、企业家的大会报告、三场大会主题论坛,七十余场前沿技术论坛,二十场特色活动,以及一百个科技成果展。

“人总喜欢把自己的感受强加于别人,现在又强加于机器。一些人单纯地以为,把视频给机器看,机器就能识别,这种思路有些局限。”黄铁军说,其实机器能比人“看”得更准、更快。

其中三个大会论坛主要围绕互联网 50 年、工业互联网、深度学习三个主题展开讨论。七十余场技术论坛由内容丰富、形式多样的多个计算领域的热点主题组成,如人工智能、大数据、区块链、量子计算、神经形态计算、工业互联网、信息安全、健康医疗、教育教学等。

于是,跳出人类思维局限,打造真正的机器视觉,即类脑视觉,成了黄铁军当下的目标。

黄铁军教授将担任CNCC 2019 第二届神经形态芯片与计算机论坛的主席,与中科院计算所副研究员赵地,“青年千人计划”特聘教授、四川大学计算机学院类脑计算研究中心主任、国际会议程序委员会主席、IEEE计算智能学会教育分委会主席唐华锦,中科院计算所研究员、博导、智能处理器研究中心主任陈云霁,清华大学电子工程系长聘教授汪玉,中国科学院半导体所研究员、中国科学院大学教授、中国科技大学兼职教授吴南健,中国科学院自动化研究所研究员、类脑智能研究中心副主任、中国科学院脑科学与智能技术卓越创新中心青年骨干、中国科学院大学岗位教授曾毅,清华大学脑与智能实验室及医学院生物医学工程系、清华类脑研究中心、麦戈文脑研究中心,研究员、博士生导师宋森共同探讨国内神经形态的发展,精彩不容错过。

做真正有价值的东西

文章来源:雷锋网

由黄铁军牵头研制的超速全时仿视网膜芯片,便是他们向类脑视觉走出的探索一步。黄铁军把这款芯片,比作新一代人工智能的“电眼”。

它能干什么?“举例来说,在高速旋转的电风扇叶片上写2个字,电风扇转起来后,人眼看到的是模糊一片,‘电眼’却能把字看得清清楚楚。”他说,“电眼”可用在人工智能界的“网红”无人驾驶汽车、无人机和智能机器人上。

该芯片的研制团队中,有计算机科学、神经科学、医学等众多领域的专家,形成了一个强大的跨学科队伍,他们从生物和信息两个角度进行探索,最终才研制成功。

因为设计这只“电眼”,让黄铁军有机会将视频编码与“老本行”图像识别结合起来,运用上这两种不同领域的技术。“以前,我们实验室里的学生分两拨搞研究,一拨做图像识别,一拨做视频编码,就像两条并行的铁轨。现在,他们可以一起做项目,按照全新的技术体系,创造新的可能。”他说。

实验室的学生对科技日报记者说,开放性思维是黄铁军的标志性特点。“黄老师善于从全局角度看问题,常会把两种看似没有关系的事物联系在一起,让它们碰撞出火花。”

在生活中,黄铁军也依旧如此。他喜欢跟性格各异、领域不同的人打交道,他说这样能通过别人的视角来发现新问题。

对科研,黄铁军表示自己喜欢另辟蹊径,反对跟随和模仿。“以前,一些科研人员十分注重成果的数量,现在则更重视开拓科研‘无人区’。科研人员应该珍视自己的学术生命,做真正有价值的东西,否则你所做的事情就会像沙滩上的脚印,一阵浪打过来就会无影无踪。”他说。

本文由必威发布于必威技术,转载请注明出处:神经形态芯片大规模应用材料是关键,黄铁军为

关键词:

上一篇:中国移动放大招,各厂商推出重磅产品

下一篇:没有了

最火资讯