芯東西（公眾號：aichip001）
編譯 | ?高歌
編輯 | ?云鵬
芯東西1月21日消息，EE Times回顧(gu)了第三(san)屆IBM IEEE CAS/EDS人工(gong)智(zhi)能計算研討(tao)會的(de)相關內容。研討(tao)會主題為(wei)“從原子(zi)到應(ying)用（From Atoms to Applications）”，覆蓋了AI與微(wei)生物、原子(zi)級存儲材料、逆向工(gong)程視覺(jue)智(zhi)能、遷(qian)移(yi)學(xue)習、邊(bian)緣AI、神(shen)經系統AI、量子(zi)電路(lu)與光(guang)子(zi)計算等(deng)內容。
本次研討(tao)會(hui)(hui)由IBM研究部（IBM Research）、美國電(dian)氣和電(dian)子工(gong)程師協會(hui)(hui)（IEEE）下的電(dian)路與系統協會(hui)(hui)（Circuits and Systems Society）和電(dian)子設備協會(hui)(hui)（Electron Devices Society）一同舉辦。
一、微生物群落解決新冠病毒流行？
加州(zhou)大學圣地亞哥分(fen)校（University of California San Diego）的首席顧(gu)問羅布·奈特（Rob Knight）談到(dao)了(le)“使用(yong)人工智能來了(le)解人類微(wei)生(sheng)物(wu)群(qun)及(ji)其在COVID-19中的作用(yong)”。
他在研究中發(fa)現(xian)人(ren)類微(wei)生物(wu)群落擁有(you)極其(qi)復雜的(de)基(ji)因(yin)和細胞集(ji)合，其(qi)數量甚(shen)至超(chao)過人(ren)類本身的(de)基(ji)因(yin)和細胞，這(zhe)一(yi)發(fa)現(xian)正在重(zhong)新定義(yi)人(ren)類的(de)概念。奈特表示(shi)，處(chu)理如此(ci)復雜的(de)數據(ju)需要人(ren)工(gong)智能技術。
奈特強調(diao)了該大學和IBM之間名為“人工(gong)智能帶來健康(kang)生(sheng)活”的合作項目，介紹了微生(sheng)物群落在醫療健康(kang)技術中(zhong)的應用。
這一合作項(xiang)目旨在了解人(ren)類(lei)微生物群落(luo)，并(bing)發現它如何隨著年齡和(he)疾病而變(bian)化。其目的(de)是通過制定飲(yin)食、生活方(fang)式和(he)藥(yao)物治療策(ce)略(lve)等(deng)方(fang)式，使人(ren)類(lei)能夠最大程度地(di)保持健康(kang)。
為應(ying)對(dui)新(xin)冠病(bing)(bing)(bing)毒大(da)流(liu)行，奈特(te)教(jiao)授及其(qi)團隊目前正在研究(jiu)微生物群落(luo)在易感人(ren)(ren)群（包括老年人(ren)(ren)和具有特(te)定(ding)微生物組相關(guan)疾病(bing)(bing)(bing)的人(ren)(ren)群）患病(bing)(bing)(bing)時(shi)的作用。這項研究(jiu)將普遍適用于(yu)其(qi)他疾病(bing)(bing)(bing)，并(bing)將有助于(yu)銜接(jie)傳染(ran)病(bing)(bing)(bing)和慢(man)性疾病(bing)(bing)(bing)領域的研究(jiu)。
二、原子級存儲實現憶阻器
一(yi)些(xie)研究人員正(zheng)在(zai)研究可以應用于人工(gong)智能(neng)設備中(zhong)的(de)原子材(cai)料(liao)。在(zai)一(yi)場題為“原子級存(cun)(cun)儲：從單一(yi)缺陷(xian)到模擬開關和計算（Atomic Memory: From Single Defects to Analog Switches and Computing）”的(de)演(yan)講中(zhong)，德克薩斯大學奧斯汀分校的(de)Deji Akinwande教授專注于超薄二維納米材(cai)料(liao)中(zhong)的(de)存(cun)(cun)儲效應。
該教(jiao)授表示，這一發現(xian)可以為電子工程技術的(de)進(jin)步(bu)與(yu)發展(zhan)提供巨大的(de)幫助。基于二維材料(liao)的(de)非易失性存儲器件目前有(you)一些缺(que)陷，但也是一個快速發展(zhan)的(de)領域。
Akinwande的(de)發言突出(chu)了其團(tuan)隊在單層存(cun)儲器(qi)（原(yuan)子電阻(zu)）方面的(de)開(kai)創(chuang)性工作(zuo)，這(zhe)將有(you)利于零功(gong)率器(qi)件、非易失性RF開(kai)關和神經(jing)擬態計算中憶阻(zu)等技術(shu)的(de)實現。
三、人工智能模擬人腦表現良好
人(ren)腦和認知科學(xue)的(de)研究人(ren)員正致力(li)于研究逆向(xiang)工(gong)程人(ren)類思維及其智(zhi)能行為。該研究領域還處(chu)于起步階段，正向(xiang)工(gong)程方法的(de)目標是在(zai)人(ren)工(gong)系(xi)統中模擬人(ren)類智(zhi)能。
James J. DiCarlo是麻省理工(gong)學院智力探索(suo)項目(mu)的(de)聯合主(zhu)管，也是麻省理工(gong)學院人腦(nao)研究(jiu)所的(de)研究(jiu)員，他就(jiu)這(zhe)項工(gong)作的(de)一個方面發表了一篇論文《逆向(xiang)工(gong)程視覺智能(neng)（Reverse Engineering Visual Intelligence）》。
DiCarlo預測，通過將人(ren)腦和認(ren)知科學家的努力與模擬智能行為(wei)的正向工程緊(jin)密結合，或許可(ke)以解決(jue)人(ren)類智能逆向工程的挑戰(zhan)。
如果這種方(fang)法能(neng)夠發現合(he)適的(de)(de)神經網絡模型，這些模型不僅將拓展我們對復(fu)雜人腦系統的(de)(de)理(li)解，而且將形成(cheng)下一代計算和人腦接口技術的(de)(de)基礎(chu)。
講座的重點是視覺(jue)對象的分類(lei)和檢測(ce)。DiCarlo指出(chu)，大腦、認知和計算機(ji)科學的工作融合在一起，形成了能(neng)夠支持這類(lei)任務的深度神(shen)經(jing)網絡（DNN）。
這些深度學習網絡不僅在許多圖像(xiang)處(chu)理(li)上(shang)(shang)能達到人類的表現，而(er)且(qie)能根據(ju)靈長類動物(wu)視(shi)覺系統(tong)的內部(bu)工作(zuo)模(mo)式進(jin)行建(jian)模(mo)，并在很大程度上(shang)(shang)可(ke)解釋(shi)和預測。
然而，目前靈長類視(shi)覺系(xi)統(tong)的表現仍然優于當代人(ren)工深度神經網絡，這表明在人(ren)腦(nao)和認知科學領域還有更多的內容值得科學家們(men)研(yan)究。
四、遷移學習解決大數量級預訓練任務
Facebook人工(gong)智能研(yan)究(jiu)中心(xin)的(de)研(yan)究(jiu)總監(jian)勞倫斯·范德馬滕（Laurens van der Maaten）發(fa)表了名為《弱監(jian)督學習預訓練的(de)局限(xian)性（Exploring the Limits of Weakly Supervised Pretraining）》的(de)演講。
他指(zhi)出，用(yong)于各種任(ren)務的(de)最先進(jin)視覺感知模型都(dou)依賴于監督預(yu)訓(xun)練(lian)（supervised pretraining）。按照ImageNet分類，這些模型事實上的(de)預(yu)訓(xun)練(lian)任(ren)務現在已經有將近10年(nian)的(de)歷史了，其預(yu)訓(xun)練(lian)任(ren)務的(de)數量級(ji)比(bi)較小。
所以在數(shu)量(liang)級(ji)較(jiao)大的數(shu)據(ju)集(ji)很(hen)難進(jin)行(xing)收(shou)集(ji)與(yu)整理的情況下(xia)，我(wo)們對使用大幾個數(shu)量(liang)級(ji)的數(shu)據(ju)集(ji)進(jin)行(xing)預訓練仍(reng)然比較(jiao)陌生。
在(zai)范(fan)德馬滕的演講中，也討論了一項關于遷移學習的研究(jiu)。該(gai)研究(jiu)著眼于訓練用(yong)來(lai)預測數十億張社交媒體圖(tu)片(pian)上的話(hua)題標簽的大型卷積網(wang)絡（large convolutional networks）。
迄今為止，該研究取得了(le)比較好的(de)成(cheng)績，通過對數個圖像分類和(he)目標檢測任務(wu)進行了(le)改進，ImageNet-1k單一(yi)因素驗(yan)證(zheng)準確度(du)達到85.4%。
五、邊緣AI如何保障用戶安全？
邊緣AI是指(zhi)在硬件設備上本(ben)地(di)處理(li)的AI算法,可以在沒有網絡(luo)連接的情況下處理(li)數據。
專注于計算機(ji)安全硬件服務的(de)Borsetta公司首(shou)席執行官帕梅拉?諾頓（Pamela Norton）以(yi)《用(yong)可靠的(de)智(zhi)能芯片保障邊緣AI的(de)未來（Securing the Future of AI on the Edge with Intelligent Trusted Chips）》為主題，拉開了研討(tao)會第二(er)天的(de)序幕。
諾頓提出(chu)了(le)一個實現(xian)這一目標(biao)的框架(jia)，該(gai)框架(jia)將為這個新興領域的所有參(can)與者創造機會(hui)。他認為通(tong)過將智(zhi)能芯片遷移(yi)到邊(bian)緣(yuan)的同時，融合(he)人工智(zhi)能并且開發新的計算(suan)處理方(fang)式可以(yi)保障用戶(hu)安全與隱私。
對于神(shen)經可塑性(xing)(xing)的研(yan)究(jiu)，尤(you)其是研(yan)究(jiu)生物(wu)神(shen)經系統(tong)(tong)改變的能(neng)(neng)(neng)力，可以為人工智能(neng)(neng)(neng)系統(tong)(tong)設計(ji)提供許多新的思路。然而(er)，生物(wu)神(shen)經系統(tong)(tong)與(yu)人工智能(neng)(neng)(neng)系統(tong)(tong)設計(ji)的學科(ke)交融還處(chu)于起步階段(duan)，因(yin)此(ci)在設計(ji)能(neng)(neng)(neng)夠支(zhi)持異質可塑性(xing)(xing)的神(shen)經擬(ni)態系統(tong)(tong)還存(cun)有(you)關鍵的知(zhi)識鴻溝。
六、德州大學新學習算法仿照大腦皮層構建
矩陣人(ren)工(gong)智能聯盟（Matrix AI Consortium）的(de)主任、德州大學圣(sheng)安東尼分校的(de)教授迪(di)瑞莎·庫迪(di)蒂(di)普蒂(di)（Dhireesha Kudithipudi）在(zai)《神經啟發(fa)的(de)人(ren)工(gong)智能：緊湊和彈(dan)性的(de)邊緣模型（Neuro-Inspired AI: Compact and resilience for the Edge）》中談(tan)到了這個話題。
她介紹了最近由(you)德州大學圣安(an)東(dong)尼(ni)分校的神經擬態人工(gong)智能實驗(yan)室（NAUI）開發的機內(nei)學習(xi)系統(tong)（in-silico learning system）。
基于CMOS/憶阻器結構(gou)，該(gai)系統(tong)模擬了一種仿生序(xu)列(lie)記憶算法，其靈(ling)感(gan)來自(zi)于具有完(wan)整結構(gou)和內在可塑性機制的大腦皮層(ceng)。
該系統的(de)(de)合成突觸表(biao)示支持(chi)緊湊(cou)型存(cun)儲的(de)(de)動態突觸通(tong)路，使用憶阻器的(de)(de)物理行為模擬突觸通(tong)路的(de)(de)結構可(ke)塑(su)性(xing)，并通(tong)過可(ke)自定義(yi)的(de)(de)訓練方案實(shi)現突觸調控(kong)。
七、IBM量子電路已實現較高保真度
在(zai)過去(qu)的幾(ji)年(nian)里，量子計算已經超越了(le)實驗(yan)室環境，并(bing)通(tong)過云訪(fang)問技術(shu)得到了(le)加速(su)發(fa)展。
這(zhe)種新的(de)計算模式使(shi)用(yong)了原子操(cao)縱信息所遵循的(de)物理規則。在這(zhe)個層面(mian)上，量子計算機(ji)執行(xing)(xing)量子電路，就(jiu)像計算機(ji)執行(xing)(xing)邏輯電路一樣，但通過使(shi)用(yong)量子態的(de)疊(die)加、糾纏(chan)和干擾(rao)等物理現象(xiang)來執行(xing)(xing)數學計算，即使(shi)是最(zui)先(xian)進的(de)超級計算機(ji)也做不到。
IBM研究員、IBM Quantum副總裁(cai)杰伊·甘(gan)貝塔（Jay Gambetta）在題為《量子電(dian)路(lu)和云(yun)量子技術的未來（Quantum Circuits and the Future of Quantum Technology in the Cloud）》的演講中介紹了量子計(ji)算發展路(lu)線圖。
他概述了(le)IBM提高超導量(liang)子比特系統設備性能的努力，表明其目的是生產出更(geng)高保真度的量(liang)子電(dian)路(lu)，并解釋了(le)IBM是如(ru)何將電(dian)路(lu)計算與量(liang)子應用聯系起來。
杰伊提出(chu)相應的(de)前沿(yan)研究、系統和軟件正在(zai)擴展學(xue)科前沿(yan)，并得到了(le)不(bu)斷增長(chang)的(de)量子(zi)計算(suan)科研人員支持。
八、光子計算加速高計算量人工智能模型
研討(tao)會的最后(hou)一場演(yan)講著眼于《光(guang)子計(ji)算解鎖革命性(xing)的人(ren)工智能(neng)（Unlocking Transformative AI with Photonic Computing）》。
最近的(de)人工智能(neng)模型(xing)，如OpenAI的(de)GPT-3自然語(yu)言(yan)處理（NLP），創造了一系列(lie)過去10年(nian)未有的(de)機會。但是使用(yong)這些模型(xing)需要大量的(de)計算能(neng)力。
法國初創公(gong)司LightOn的(de)首席技術官(guan)和(he)聯合創始(shi)人，同(tong)時也是(shi)巴黎Diderot大學(xue)教授(shou)的(de)Laurent Daudet。他介紹(shao)了(le)該公(gong)司的(de)未來人工智能硬件如何應(ying)對一些最艱難的(de)計算挑戰，并(bing)描述了(le)LightOn的(de)光學(xue)處(chu)理單元（OPUs）是(shi)如何無(wu)縫(feng)集成到混(hun)合光子學(xue)/硅管道，加速先(xian)進的(de)機器(qi)學(xue)習(xi)算法。
九、異構計算成必然趨勢
研討會最后就“未(wei)來哪種人工智能計(ji)算方式將會占(zhan)據主導(dao)地位？“進(jin)行了(le)討論(lun)，討論(lun)由IBM T.J. Watson研究(jiu)中心的經(jing)理(li)和研究(jiu)員Arvind Kumar主持。
討論小組邀請了安全、模(mo)擬人(ren)工(gong)智能、光子計算、腦科學和量子計算等領域(yu)的(de)專家從不同方面(mian)進行探討。
一開始專家們認為各種(zhong)方法(fa)各有好處，最后也一致(zhi)同意將來很(hen)可能沒有哪一種(zhong)方法(fa)會(hui)占主導(dao)地位，因此需要在各種(zhong)AI計(ji)算(suan)方法(fa)之間進行安(an)全轉換的異構計(ji)算(suan)。
結語：AI加速方法千帆競發
本次研討會(hui)由IBM與IEEE CAS/EDS聯合主辦，體(ti)現了IBM等企業高校(xiao)在人工智能、云計算、量子計算和(he)安(an)全(quan)等領域的(de)最新(xin)研究(jiu)進展(zhan)。據統計IBM在2020年(nian)共獲得9130項美國專(zhuan)利(li)，連續第28年(nian)蟬聯美國專(zhuan)利(li)榜(bang)冠軍。
這(zhe)次的研(yan)討匯聚了(le)很多在前沿研(yan)究(jiu)領(ling)域有(you)所(suo)成就的夢想家、科學家和(he)創(chuang)新者，用兩天的研(yan)討會向我們展現示了(le)人工智能未來的挑戰(zhan)和(he)研(yan)究(jiu)方(fang)向，也展現了(le)這(zhe)些科研(yan)人員的努力(li)與追求。
來源：EE Times，IBM
