芯东西（公众号：aichip001）
编译 | 高歌
编辑 | 云鹏
芯(xin)东西1月21日消息，EE Times回顾了第三(san)届IBM IEEE CAS/EDS人工智能计(ji)算研讨(tao)(tao)会的(de)相关内容。研讨(tao)(tao)会主题为“从原(yuan)子(zi)到(dao)应用（From Atoms to Applications）”，覆盖(gai)了AI与(yu)微生(sheng)物(wu)、原(yuan)子(zi)级存储材料(liao)、逆向工程视觉智能、迁移学(xue)习(xi)、边(bian)缘(yuan)AI、神经(jing)系统AI、量子(zi)电(dian)路与(yu)光子(zi)计(ji)算等内容。
本次研(yan)讨会(hui)(hui)由IBM研(yan)究(jiu)部(bu)（IBM Research）、美国电(dian)气和(he)电(dian)子工程师(shi)协会(hui)(hui)（IEEE）下的电(dian)路与(yu)系统协会(hui)(hui)（Circuits and Systems Society）和(he)电(dian)子设备协会(hui)(hui)（Electron Devices Society）一(yi)同举办。
一、微生物群落解决新冠病毒流行？
加州大学(xue)圣地(di)亚哥(ge)分校(xiao)（University of California San Diego）的(de)(de)首席(xi)顾(gu)问罗布·奈特（Rob Knight）谈(tan)到(dao)了“使用人工智能来了解人类微生物群及(ji)其(qi)在(zai)COVID-19中的(de)(de)作用”。
他在(zai)研究(jiu)中发现(xian)人类微生物群落拥(yong)有极其复杂的(de)基(ji)因和细胞(bao)集合，其数量(liang)甚至超过人类本身的(de)基(ji)因和细胞(bao)，这一发现(xian)正在(zai)重(zhong)新定义(yi)人类的(de)概念。奈特表示，处理如(ru)此复杂的(de)数据需要人工智能技术。
奈(nai)特强调了该大学和IBM之间名为“人工(gong)智能带(dai)来健康生活”的(de)合作项目，介绍了微生物(wu)群落在医疗健康技术中(zhong)的(de)应用(yong)。
这(zhei)一合作项目旨在了解人类微生物(wu)(wu)群(qun)落，并(bing)发现它(ta)如(ru)何随着年龄和(he)疾病(bing)而(er)变化。其目的(de)是通(tong)过制定饮食、生活方式和(he)药物(wu)(wu)治疗策略等方式，使人类能够最大程度地保持健康。
为应对新冠病(bing)(bing)(bing)(bing)毒大流行(xing)，奈特(te)教(jiao)授及其团(tuan)队(dui)目前正(zheng)在研(yan)究微生(sheng)物群(qun)(qun)落在易感人群(qun)(qun)（包(bao)括老年人和具有特(te)定微生(sheng)物组相关疾病(bing)(bing)(bing)(bing)的(de)人群(qun)(qun)）患病(bing)(bing)(bing)(bing)时的(de)作用。这项研(yan)究将普遍适用于其他疾病(bing)(bing)(bing)(bing)，并将有助于衔接传(chuan)染病(bing)(bing)(bing)(bing)和慢性疾病(bing)(bing)(bing)(bing)领域的(de)研(yan)究。
二、原子级存储实现忆阻器
一(yi)(yi)些(xie)研究人(ren)员(yuan)正(zheng)在(zai)研究可以(yi)应用于人(ren)工智(zhi)能设备(bei)中(zhong)的(de)原子材料。在(zai)一(yi)(yi)场题为“原子级(ji)存储：从单一(yi)(yi)缺陷到模拟开(kai)关和计(ji)算（Atomic Memory: From Single Defects to Analog Switches and Computing）”的(de)演讲中(zhong)，德(de)克(ke)萨斯大(da)学(xue)奥斯汀分校的(de)Deji Akinwande教授专(zhuan)注于超薄二(er)维纳(na)米材料中(zhong)的(de)存储效应。
该教授表(biao)示，这一发(fa)现可以为电子工程技术的(de)(de)进步与发(fa)展提供巨大的(de)(de)帮助。基于(yu)二维材料(liao)的(de)(de)非易(yi)失性(xing)存储器件目前有一些缺陷，但也是一个快速发(fa)展的(de)(de)领域。
Akinwande的(de)发言(yan)突(tu)出了其团(tuan)队在单层存储器（原子电阻）方面的(de)开(kai)创性工作，这将有利于零功率器件(jian)、非易失性RF开(kai)关和神经拟态计算中忆(yi)阻等技术的(de)实现。
三、人工智能模拟人脑表现良好
人(ren)脑(nao)和认知科(ke)学的(de)研(yan)究人(ren)员(yuan)正致力于研(yan)究逆向工(gong)程人(ren)类思维(wei)及其智能(neng)(neng)行为。该研(yan)究领域还处(chu)于起步阶(jie)段，正向工(gong)程方法的(de)目标是在(zai)人(ren)工(gong)系统中(zhong)模拟人(ren)类智能(neng)(neng)。
James J. DiCarlo是麻省理(li)工(gong)学(xue)院(yuan)智力(li)探(tan)索项目的(de)联合主(zhu)管，也(ye)是麻省理(li)工(gong)学(xue)院(yuan)人脑研究所的(de)研究员(yuan)，他(ta)就这项工(gong)作(zuo)的(de)一(yi)个方面(mian)发表(biao)了(le)一(yi)篇(pian)论文《逆(ni)向工(gong)程视觉(jue)智能(neng)（Reverse Engineering Visual Intelligence）》。
DiCarlo预测，通过(guo)将(jiang)人(ren)脑和认知科学家的(de)努力与(yu)模拟智(zhi)能行为(wei)的(de)正向工程紧密(mi)结合(he)，或许可(ke)以(yi)解决人(ren)类(lei)智(zhi)能逆向工程的(de)挑战。
如果这种方(fang)法能(neng)够发现合(he)适的(de)神(shen)经网络模型，这些(xie)模型不仅将(jiang)拓(tuo)展(zhan)我们对复杂人脑系(xi)统的(de)理解，而且将(jiang)形成下一代计算(suan)和人脑接口技术(shu)的(de)基础。
讲座的(de)(de)重(zhong)点是视觉对象的(de)(de)分类和检测。DiCarlo指出，大脑、认知和计算机科学(xue)的(de)(de)工作(zuo)融合(he)在一起(qi)，形(xing)成(cheng)了能(neng)够支持这类任务的(de)(de)深度神经网(wang)络（DNN）。
这些深度(du)学(xue)习网络(luo)不仅在许多(duo)图像处理上(shang)能(neng)达到(dao)人类(lei)的(de)表现，而(er)且(qie)能(neng)根据灵长类(lei)动物视觉系统的(de)内部工作模式(shi)进行建模，并在很大程度(du)上(shang)可(ke)解释和预测。
然(ran)而，目前(qian)灵长类视(shi)觉系统的(de)表现(xian)仍然(ran)优于(yu)当代(dai)人(ren)工深度神经(jing)网络，这表明在人(ren)脑(nao)和认知科(ke)学(xue)领域还有更(geng)多(duo)的(de)内容(rong)值(zhi)得(de)科(ke)学(xue)家(jia)们(men)研究。
四、迁移学习解决大数量级预训练任务
Facebook人(ren)工智能研(yan)(yan)究(jiu)中心的研(yan)(yan)究(jiu)总监(jian)劳(lao)伦斯·范德马滕(teng)（Laurens van der Maaten）发表了名为《弱监(jian)督(du)学(xue)习预(yu)训练(lian)的局限性（Exploring the Limits of Weakly Supervised Pretraining）》的演讲。
他指出(chu)，用于各种任(ren)务(wu)的(de)最先进视觉感知(zhi)模型都依赖于监督预训(xun)(xun)练（supervised pretraining）。按照ImageNet分类，这些(xie)模型事(shi)实(shi)上的(de)预训(xun)(xun)练任(ren)务(wu)现在已经有将近10年的(de)历史了，其预训(xun)(xun)练任(ren)务(wu)的(de)数量级比较小。
所以(yi)在数量(liang)级较大的数据集很难进(jin)行收(shou)集与整(zheng)理的情(qing)况下，我(wo)们对使用(yong)大几(ji)个数量(liang)级的数据集进(jin)行预训练仍然比较陌生。
在(zai)范德马滕的(de)演讲中，也讨(tao)论了(le)一(yi)项关(guan)于(yu)迁(qian)移学(xue)习的(de)研究。该研究着眼于(yu)训练用来预测数十亿张社交媒体图片(pian)上(shang)的(de)话(hua)题标签的(de)大型卷积(ji)网(wang)络（large convolutional networks）。
迄今(jin)为(wei)止，该研究取得了比(bi)较好的成绩，通过对(dui)数个图像分类和目标检测任务进行了改进，ImageNet-1k单一(yi)因(yin)素(su)验证准确度达到85.4%。
五、边缘AI如何保障用户安全？
边缘AI是指在硬件设备(bei)上本地(di)处理(li)的AI算法,可以在没有网络(luo)连接(jie)的情况下(xia)处理(li)数据(ju)。
专(zhuan)注于计算机安(an)全硬(ying)件服务的(de)Borsetta公司首席执行官帕(pa)梅拉•诺顿（Pamela Norton）以《用可靠的(de)智能芯片(pian)保障边缘(yuan)AI的(de)未来（Securing the Future of AI on the Edge with Intelligent Trusted Chips）》为主题，拉开(kai)了研讨会(hui)第二(er)天的(de)序幕。
诺顿提出了(le)一个(ge)实(shi)现这一目(mu)标的(de)框架，该框架将(jiang)为(wei)这个(ge)新(xin)兴领域(yu)的(de)所有参(can)与(yu)者(zhe)创(chuang)造机会。他认为(wei)通(tong)过将(jiang)智(zhi)能(neng)芯片迁移到边缘的(de)同时，融合人工(gong)智(zhi)能(neng)并且开(kai)发(fa)新(xin)的(de)计算处理方式可(ke)以保障用户(hu)安全与(yu)隐私。
对于(yu)神(shen)经(jing)可(ke)塑(su)性的(de)研究，尤其是研究生(sheng)物神(shen)经(jing)系(xi)(xi)(xi)统(tong)(tong)(tong)改变的(de)能力，可(ke)以为人(ren)工智能系(xi)(xi)(xi)统(tong)(tong)(tong)设计(ji)提供许多(duo)新的(de)思(si)路。然而，生(sheng)物神(shen)经(jing)系(xi)(xi)(xi)统(tong)(tong)(tong)与(yu)人(ren)工智能系(xi)(xi)(xi)统(tong)(tong)(tong)设计(ji)的(de)学(xue)科交融还处于(yu)起(qi)步阶段，因此在设计(ji)能够支持异质可(ke)塑(su)性的(de)神(shen)经(jing)拟态系(xi)(xi)(xi)统(tong)(tong)(tong)还存有关键的(de)知识(shi)鸿沟。
六、德州大学新学习算法仿照大脑皮层构建
矩(ju)阵人工智(zhi)能联盟(meng)（Matrix AI Consortium）的主任、德州大(da)学(xue)圣安东尼分校的教授迪瑞莎·库迪蒂(di)(di)普蒂(di)(di)（Dhireesha Kudithipudi）在(zai)《神经启发的人工智(zhi)能：紧凑(cou)和弹(dan)性的边缘模型（Neuro-Inspired AI: Compact and resilience for the Edge）》中谈到了(le)这个话题。
她介绍(shao)了(le)最近由(you)德州大学圣安东(dong)尼(ni)分校的神(shen)经拟态人工(gong)智能(neng)实验室（NAUI）开发的机内学习系统（in-silico learning system）。
基于(yu)CMOS/忆阻器结(jie)构，该系统模拟(ni)了(le)一种仿生序列记忆算法，其灵感来自于(yu)具有完(wan)整(zheng)结(jie)构和(he)内在可塑性机制的大脑皮(pi)层。
该系统的(de)合成突(tu)触(chu)表示支持紧凑型存储的(de)动态突(tu)触(chu)通路(lu)，使用忆阻器的(de)物(wu)理行为(wei)模拟突(tu)触(chu)通路(lu)的(de)结(jie)构可塑性，并通过(guo)可自(zi)定义的(de)训练(lian)方案实现(xian)突(tu)触(chu)调(diao)控。
七、IBM量子电路已实现较高保真度
在(zai)过(guo)去的几年里，量子计算已经超越了实验(yan)室环(huan)境，并(bing)通过(guo)云访问技术得到了加速发展。
这种新(xin)的计算模式使用了原子操(cao)纵信息所(suo)遵循的物理规则。在这个层面上，量(liang)(liang)子计算机(ji)(ji)执(zhi)行量(liang)(liang)子电路，就像计算机(ji)(ji)执(zhi)行逻(luo)辑电路一样，但(dan)通过(guo)使用量(liang)(liang)子态(tai)的叠加、纠(jiu)缠(chan)和干扰等(deng)物理现(xian)象(xiang)来(lai)执(zhi)行数学计算，即(ji)使是(shi)最先进的超级计算机(ji)(ji)也做不到。
IBM研(yan)究员、IBM Quantum副总(zong)裁杰伊·甘(gan)贝塔（Jay Gambetta）在(zai)题为《量子电(dian)路和云量子技术的未来(lai)（Quantum Circuits and the Future of Quantum Technology in the Cloud）》的演(yan)讲中(zhong)介绍了量子计算发展路线图。
他概述了IBM提高超导量(liang)子(zi)(zi)比特系统设备性能的(de)努力，表明其目的(de)是(shi)生(sheng)产(chan)出更高保真度的(de)量(liang)子(zi)(zi)电路(lu)，并解释了IBM是(shi)如何将电路(lu)计算与(yu)量(liang)子(zi)(zi)应用联系起来。
杰伊提出相(xiang)应的前沿(yan)研(yan)究、系统和软件正在扩展学科前沿(yan)，并得到了(le)不断增(zeng)长的量子计算科研(yan)人员支持。
八、光子计算加速高计算量人工智能模型
研讨会的最后(hou)一场演讲(jiang)着眼(yan)于(yu)《光子计算解锁革命性的人(ren)工智(zhi)能(neng)（Unlocking Transformative AI with Photonic Computing）》。
最近的(de)(de)人工智能模型(xing)，如(ru)OpenAI的(de)(de)GPT-3自然语(yu)言处(chu)理（NLP），创造了(le)一(yi)系列(lie)过去10年未有(you)的(de)(de)机会。但是使(shi)用这些模型(xing)需要(yao)大量的(de)(de)计算(suan)能力。
法(fa)国初创公司LightOn的(de)首席技术官和联合创始人，同时(shi)也是(shi)巴(ba)黎Diderot大学教授的(de)Laurent Daudet。他介绍了该公司的(de)未(wei)来人工智能硬(ying)件如何(he)应对一些最艰(jian)难的(de)计算(suan)挑战，并描述了LightOn的(de)光学处理单元（OPUs）是(shi)如何(he)无(wu)缝集成(cheng)到混合光子学/硅管道(dao)，加(jia)速(su)先进的(de)机(ji)器学习算(suan)法(fa)。
九、异构计算成必然趋势
研讨会最后就“未来(lai)哪种人工(gong)智能计算方(fang)式将会占据(ju)主导地位？“进行了(le)讨论(lun)，讨论(lun)由(you)IBM T.J. Watson研究(jiu)中心的经理和研究(jiu)员Arvind Kumar主持。
讨论小组邀请了(le)安全(quan)、模(mo)拟人工智能、光子(zi)计算、脑科学和量子(zi)计算等(deng)领域的(de)专家(jia)从(cong)不同方(fang)面进(jin)行(xing)探讨。
一开始(shi)专(zhuan)家们(men)认(ren)为各种(zhong)方(fang)法(fa)各有好处(chu)，最后(hou)也一致同意将来很(hen)可(ke)能(neng)没有哪一种(zhong)方(fang)法(fa)会占主导地(di)位(wei)，因此需要在各种(zhong)AI计算(suan)方(fang)法(fa)之(zhi)间进行安全(quan)转换的异构计算(suan)。
结语：AI加速方法千帆竞发
本次研讨会(hui)由(you)IBM与IEEE CAS/EDS联(lian)合主办，体现了IBM等企业高(gao)校在(zai)人工智能、云(yun)计算、量(liang)子计算和安全等领域(yu)的最新研究进展。据统计IBM在(zai)2020年共获得9130项美国专(zhuan)利(li)，连续(xu)第28年蝉联(lian)美国专(zhuan)利(li)榜冠(guan)军。
这(zhei)次的(de)研(yan)讨(tao)汇聚了(le)很多在前沿研(yan)究(jiu)领域有所成(cheng)就的(de)梦想(xiang)家、科(ke)学家和(he)创(chuang)新者(zhe)，用两天(tian)的(de)研(yan)讨(tao)会向我们展现(xian)(xian)示了(le)人工智(zhi)能未来的(de)挑(tiao)战和(he)研(yan)究(jiu)方向，也展现(xian)(xian)了(le)这(zhei)些科(ke)研(yan)人员的(de)努力与追求(qiu)。
来(lai)源：EE Times，IBM
