摘要：清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp\u003E天機異構融合類腦計算架構\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E僅用一個芯片，就可以\u003Cstrong\u003E在無人駕駛自行車系統中同時處理多種算法和模型，實現實時目標檢測、跟蹤、語音控制、避障和平衡控制\u003C\u002Fstrong\u003E。清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E圖4：基於Tianjic芯片多模型整合平臺的無人駕駛自行車各項測試結果\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E爲了完成這些任務，團隊開發了幾個神經網絡，包括用於圖像處理和物體檢測的CNN，用於人類目標跟蹤的CANN，用於語音命令識別的SNN，用於姿態平衡和方向控制的MLP，還有用於決策控制的混合網絡。

"\u003Cdiv\u003E\u003Cp\u003E\u003Cstrong\u003E【導讀】\u003C\u002Fstrong\u003E好消息！清華大學開發出全球首款異構融合類腦芯片，登上了最新一期 Nature 封面！研究團隊還展示了由該芯片驅動的 “無人駕駛自行車” ，這項研究由清華大學類腦計算研究中心施路平教授帶隊，歷時 7 年，終於修成正果！\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E有一輛自行車，載着通用人工智能的希望，登上了最新一期的\u003Cstrong\u003ENature封面\u003C\u002Fstrong\u003E。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002F5a0e183d6b0c42a785d158638cf59761\" img_width=\"300\" img_height=\"397\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E它的大腦，是清華研發的\u003Cstrong\u003E類腦芯片“天機”\u003C\u002Fstrong\u003E，讓自行車真的實現了自行。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E你看，跟蹤人類的時候，它敏捷地避開路上的障礙，是自主行爲：\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002F231d1e49608f4cb3bdeb64cf751587a5\" img_width=\"600\" img_height=\"337\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E而就算人類奔跑的路線只是輕微彎曲，自行車依然能準確地做到\u003Cstrong\u003ES型跟蹤：\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002F4af71cef835040cf9c4a3b58030c3510\" img_width=\"480\" img_height=\"270\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E當然，它也能聽懂人類的語言。只要說出\u003Cstrong\u003E向左，直行，加速\u003C\u002Fstrong\u003E，自行車都能流暢地完成：\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002F7c7fbf549049463f993b7249756e5032\" img_width=\"480\" img_height=\"270\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E雖說建國之後不許成精，但\u003Cstrong\u003E通用人工智能\u003C\u002Fstrong\u003E (AGI) 一直是人類追求的理想。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E實現理想的路，大致可以分成兩條：\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cstrong\u003E一是計算機科學導向，二是神經科學導向。\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E而自行車背後的“天機”類腦芯片，便是清華團隊將這兩條原本十分不同的思路，精妙地結合在一起了。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E這項研究由依託精密儀器系的清華大學類腦計算研究中心施路平教授團隊進行，基於此研究成果的論文“\u003Cstrong\u003E面向人工通用智能的異構天機芯片架構\u003C\u002Fstrong\u003E”（Towards artificial general intelligence with hybrid Tianjic chip architecture）作爲封面文章登上了8月1日《自然》（Nature），實現了\u003Cstrong\u003E中國在芯片和人工智能兩大領域《自然》論文零的突破\u003C\u002Fstrong\u003E。\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002F88c699bbd8bf45d3a043c3f141f83b62\" img_width=\"1080\" img_height=\"341\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E這種混合芯片被命名爲\u003Cstrong\u003E“天機芯”(Tianjic)，\u003C\u002Fstrong\u003E有多個高度可重構的功能性核，可以同時支持機器學習算法和現有類腦計算算法。\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002F7cdaacacd2b94a98b02241e9d389a032\" img_width=\"1080\" img_height=\"788\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003E天機芯片5x5陣列擴展板\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E研究人員用一個\u003Cstrong\u003E自動行駛自行車系統\u003C\u002Fstrong\u003E驗證了這一混合芯片的處理能力。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E這是一個異構可擴展人工通用智能開發演示平臺，\u003Cstrong\u003E利用一塊天機芯片\u003C\u002Fstrong\u003E，展示了自行車的自平衡、動態感知、目標探測、跟蹤、自動避障、過障、語音理解、自主決策等功能。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E試驗中，無人自行車不僅可以\u003Cstrong\u003E識別語音指令、實現自平衡控制，還能對前方行人進行探測和跟蹤，並自動避障\u003C\u002Fstrong\u003E。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E施路平教授表示，這只是非常初步的一個研究，但這項研究或能爲面向人工通用智能計算平臺的進一步發展起到促進作用。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E“天機芯”：支持計算機科學和類腦計算融合的AGI之路\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E現階段，發展人工通用智能的方法主要有兩種：一種是以\u003Cstrong\u003E神經科學\u003C\u002Fstrong\u003E爲基礎，儘量模擬人類大腦；另一種是以\u003Cstrong\u003E計算機科學\u003C\u002Fstrong\u003E爲導向，讓計算機運行機器學習算法。二者各有優缺點，目前將兩者融合被公認爲最佳解決方案之一。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E由於這兩條路的思路、理念和實現方案存在根本差異，分別依賴於不同開發平臺，彼此互不兼容，這給AGI技術的開發造成很大阻礙。目前迫切需要一個同時支持兩種方法的通用平臺。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E施路平團隊開發的\u003Cstrong\u003E“天機芯”(Tianjic芯片)\u003C\u002Fstrong\u003E就做到了這一點，可以爲AGI技術提供一個混合協同的開發平臺。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002F27ef3ebc7efc4fe4a616806d40be5fcd\" img_width=\"1080\" img_height=\"356\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp9.pstatp.com\u002Flarge\u002Fpgc-image\u002Fbd5e9d34f7854381bfde44dba1cf51b8\" img_width=\"1080\" img_height=\"557\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003ETianjic芯片和測試板\u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003ETianjic芯片採用衆核架構、可重構功能核模塊和混合編碼方案的類數據流控制模式，不僅可以適應基於計算機科學的機器學習算法，還可以輕鬆實現受大腦原理啓發的神經計算模型和多種編碼方案。\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002Ff989227600a445bdb45bd985591c32d5\" img_width=\"709\" img_height=\"424\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp\u003E天機異構融合類腦計算架構\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E僅用一個芯片，就可以\u003Cstrong\u003E在無人駕駛自行車系統中同時處理多種算法和模型，實現實時目標檢測、跟蹤、語音控制、避障和平衡控制\u003C\u002Fstrong\u003E。這一研究預計可以爲通用性更高的硬件平臺發展開拓新的道路，促進AGI技術的開發。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E鑑於目前機器學習和神經科學的進步，AGI系統至少應具有以下特徵：\u003C\u002Fp\u003E\u003Cul\u003E\u003Cli class=\"ql-align-justify\"\u003E\u003Cstrong\u003E能夠支持在神經網絡中進行豐富的空間、時間和時空關係的表達。\u003C\u002Fstrong\u003E\u003C\u002Fli\u003E\u003Cli class=\"ql-align-justify\"\u003E\u003Cstrong\u003E支持分層、多粒度和多域網絡拓撲架構，不限於某一專門的網絡結構。\u003C\u002Fstrong\u003E\u003C\u002Fli\u003E\u003Cli class=\"ql-align-justify\"\u003E\u003Cstrong\u003E支持各種模型，算法和編碼方案。\u003C\u002Fstrong\u003E\u003C\u002Fli\u003E\u003Cli class=\"ql-align-justify\"\u003E\u003Cstrong\u003E支持多個專用神經網絡的交織合作，這些神經網絡可能是爲並行處理不同任務而設計的。\u003C\u002Fstrong\u003E\u003C\u002Fli\u003E\u003C\u002Ful\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E這些特徵需要在一個通用化的平臺中高效地運行，即能夠在統一框架中實現對主流的人工神經網絡（ANN）以及受神經科學啓發的模型和算法的支持。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002Fdc80bfff67834bd89b84217d32b12902\" img_width=\"921\" img_height=\"496\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E圖1：實現AGI開發的混合路線\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E爲了支持這些功能，團隊開發了一種跨範式計算平臺，可以適應面向計算機科學和神經科學的神經網絡（圖1），兼容各種神經模型和算法，尤其是基於生物學的（如脈衝神經網絡，即SNN）要素。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E通常，ANN和SNN在信息表示、計算原理和記憶組織方面具有不同的建模方式（如圖2a所示）。\u003Cstrong\u003E二者最大的差異是，ANN以精確的多位值來處理信息，而SNN使用二進制脈衝序列。\u003C\u002Fstrong\u003EANN神經元和SNN神經元之間的實現比較如圖2b所示。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cstrong\u003E另一方面，ANN和SNN神經元之間也存在一些相似之處，這就爲模型間的融合留下了空間。\u003C\u002Fstrong\u003E通過對ANN和SNN的神經網絡模型進行詳細比較，將計算模型解析並對應到相關的神經元功能模塊上 - 即軸突、突觸、樹突和胞體，從而構建一個跨範式的統一神經元方案（如圖2c所示）。團隊設計了同時適用兩種方案的突觸和樹突，而軸突和體細胞通過獨立重構來改變功能。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp3.pstatp.com\u002Flarge\u002Fpgc-image\u002F56b973098e544fec919f6a9e510e61e2\" img_width=\"861\" img_height=\"758\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp\u003E圖2 Tianjic芯片設計示意圖\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E圖2d是一個完整的單功能核（FCore）示意圖，包括軸突、突觸、樹突、胞體和路由部分。爲了實現深度融合，幾乎整個FCore都可以重新配置，以便在不同模式下實現高利用率。FCore能夠涵蓋大多數ANN和SNN使用的線性積分和非線性變換操作。該芯片上的FCores以二維2D網格方式排列，如圖2e和2f所示。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003ETianjic芯片和其後端佈局圖如圖3a所示。\u003Cstrong\u003E芯片由156個FCore組成，包含大約40000個神經元和1000萬個突觸。\u003C\u002Fstrong\u003ETianjic芯片採用28納米半導體工藝製造，面積爲3.8×3.8平方毫米。每個獨立模塊佔用的芯片面積，包括軸突，電流，信號，路由器，控制器和其他芯片開銷，如圖3b所示。由於資源可以重複使用，用以兼容SNN和ANN模式的區域僅佔總面積的3%左右。FCore的功耗分解如圖3c所示。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp1.pstatp.com\u002Flarge\u002Fpgc-image\u002F7fd75edc641d4af39d4506b4b72e83b4\" img_width=\"721\" img_height=\"824\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E圖3 芯片評估和建模摘要示意圖\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003ETianjic能夠支持多種神經網絡模型，包括\u003Cstrong\u003E基於神經科學的網絡\u003C\u002Fstrong\u003E（如SNN，以及基於生物學啓發的神經網絡）和\u003Cstrong\u003E基於計算機科學的網絡\u003C\u002Fstrong\u003E（如MLP，CNN和RNN等）。圖3d所示爲在Tianjic芯片上測試不同網絡模型與通用處理單元的測試結果。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E如圖3e所示，具有樹突中繼的混合神經網絡可突破傳統神經形態芯片Fan in\u002Ffan out的限制，避免SNN網絡的精度損失（+11.5％）\u003Cstrong\u003E。\u003C\u002Fstrong\u003E採用這種混合模式增加的額外開銷小到可以忽略不計，因爲Tianjic可以自然地在FCore中實現異構轉換。使用Tianjic還可以探索更具生物學意義的認知模型（如圖3f所示）。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E語音控制，自動避障，這輛無人自行車很秀\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E爲了證明構建類腦跨範式智能系統的可行性，團隊利用無人駕駛自行車發展了一個異構可擴展人工通用智能開發展示平臺，在一塊Tianjic芯片內並行部署並同時運行多個專用網絡。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E實驗中的自行車配備了多種算法和模型，能夠執行實時物體檢測、跟蹤，語音命令識別、加速、減速、躲避障礙、控制平衡和決策等任務（圖4a）。\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp3.pstatp.com\u002Flarge\u002Fpgc-image\u002F5435f75bab784ea0951d480ac7bf90c5\" img_width=\"709\" img_height=\"319\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003E自動行駛自行車演示平臺\u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E要實現這些任務，需要克服三個主要挑戰：\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E首先，在室外自然環境中成功檢測並平滑跟蹤移動目標、跨越減速帶，並在必要時自動避開障礙物。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E第二，需實時響應平衡控制、語音命令和視覺感知產生實時電機控制信號，以保持自行車在正確的方向上運動。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E第三，實現多種信息的集成處理和快速決策。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cdiv class=\"pgc-img\"\u003E\u003Cimg src=\"http:\u002F\u002Fp3.pstatp.com\u002Flarge\u002Fpgc-image\u002Fafc8786979d74bba8dedf371f1fbe550\" img_width=\"847\" img_height=\"887\" alt=\"怒贊！清華大學“天機芯”問鼎Nature封面\" inline=\"0\"\u003E\u003Cp class=\"pgc-img-caption\"\u003E\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E\u003Cp class=\"ql-align-center\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-center\"\u003E圖4：基於Tianjic芯片多模型整合平臺的無人駕駛自行車各項測試結果\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E爲了完成這些任務，團隊開發了幾個神經網絡，包括用於圖像處理和物體檢測的CNN，用於人類目標跟蹤的CANN，用於語音命令識別的SNN，用於姿態平衡和方向控制的MLP，還有用於決策控制的混合網絡。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E由於芯片的分散式架構和任意路由拓撲，Tianjic芯片平臺可以實現所有神經網絡模型的並行化運行，並實現多個模型之間的無縫通信，使自行車能夠順利完成這些任務。圖4c顯示響應不同語音命令的輸出信號。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E圖4d顯示自行車在跟蹤、避障和和“S形”曲線行進時的輸出控制信號。圖4e爲基於物理量度的不同速度下的車輛姿態和轉向控制的學習情況。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003ETianjic芯片可以同時支持基於計算機科學的機器學習算法和基於神經科學的生物學模型，可以自由地集成各種神經網絡和混合編碼方案，實現多網絡之間的無縫通信，包括SNN和ANN。 \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E總而言之，本文介紹了一種新穎的類腦計算的芯片架構，通過將交叉範式模型和算法集成到一個平臺上來實現靈活性和擴展性。希望這一研究成果能夠加速AGI的發展，推動新的實際應用的發展。\u003C\u002Fp\u003E\u003Cp\u003E\u003Cstrong\u003E7年磨鍊“天機芯”，自行車是一個五臟俱全的類腦計算平臺\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cbr\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E對於這項研究中大家比較關心的幾個問題，清華大學精密儀器系教授施路平、清華大學精密儀器系副研究員裴京、加州大學聖塔芭芭拉分校博士後鄧磊代表研究團隊接受了媒體的採訪。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cstrong\u003E問：研究中遇到的最大的挑戰是什麼？\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cstrong\u003E施路平：\u003C\u002Fstrong\u003E我們是從2012年就開始孕育這項研究，遇到了很多的挑戰，但是我們認爲，最大挑戰不來自於科學、也不來自技術，而是在於學科的分佈不利於我們解決這樣的一個問題，所以我們認爲多學科深度融合是解決這個問題的關鍵。所以在這項研究當中，我們組成了一個多學科融合的團隊，由七個院系組成了一個類腦計算研究中心，覆蓋腦科學、計算機、微電子、電子、精儀、自動化、材料等。在這裏，特別感謝清華大學校各位領導對跨學科建設的大力支持，這是本項目取得成功的關鍵。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cstrong\u003E鄧磊：\u003C\u002Fstrong\u003E在芯片方面，遇到的最大挑戰是如何實現深度和高效的融合。我強調兩點：\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cstrong\u003E第一\u003C\u002Fstrong\u003E，是深度和高效。目前比較火的神經網絡模型有兩類，一類是從計算機科學來的，一類是從腦科學來的。這兩種模型的語言有很大不同，它們有不一樣的計算原理，有不一樣的信號編碼方式，也有不一樣的應用場景，所以它們所需要的計算架構和存儲架構是非常不一樣的，哪怕設計的優化目標都是很不一樣的，這一點可以從目前我們能看到的一些深度學習加速器，還有一些神經形態芯片，它們基本上設計體系都是獨立的。因此可以看出，深度融合並不簡單，並不是說設計一個深度學習加速模塊、再設計一個神經形態模塊、再把它們拼到一起就可以了，這樣是行不通的，我們很難確定每部分的比例是多少，因爲現實中的應用是複雜多變的，這不是高效的。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cstrong\u003E第二\u003C\u002Fstrong\u003E，如果構建一個異構的混合模型，可能還需要在兩個模塊之間有專門的信號轉換單元，這又會有很多額外的成本，所以，如何設計一套芯片架構來兼容這兩類模型，而且又可以靈活的配置和具有高性能，這也是我們芯片設計中的挑戰。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cstrong\u003E問：爲什麼選擇無人自行車作爲一個切入點？\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cstrong\u003E施路平：\u003C\u002Fstrong\u003E自行車是爲我們芯片服務的。當時我們經過了反覆的深入討論，確定要開發一款什麼樣的應用平臺來展示我們這樣一個異構融合新的功能，這是一件不容易的事情。我們有四點考量：\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E第一，我們希望這是一個有點類似大腦的一個多模態系統，而不是像現在AI的一些做算法，只做單一應用。我們希望這是一個覆蓋感知決策和執行的完整的鏈路，這樣才能夠給我們異構融合的多種模型提供支撐，所以這是與單一模型不同的。 \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E第二，我們希望這個也是能夠與真實環境交互的，而不是說在機房裏面做一下實驗或者在電腦裏做一套仿真。我們希望它能夠是一個真實環境交互。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E第三，我們希望這個系統它最好是對我們的處理芯片是有功耗和實時性要求的，這樣才能夠體現我們專用芯片的優勢。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E第四，是因爲我們要通過做反覆的實驗，我們希望這個系統是可控的、可擴展的。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E通過考量上述幾點，我們最終選擇了無人自行車平臺，讓它有語音識別的功能、有目標探測追蹤的功能，可以運動控制、避障、自主決策。所以它看起來雖然很小，但實際上是一個五臟俱全的小型的類腦計算平臺。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cstrong\u003E問：類腦可以超越人腦嗎？\u003C\u002Fstrong\u003E\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E\u003Cstrong\u003E施路平：\u003C\u002Fstrong\u003E大家對於類腦技術能否超越人腦這方面很感興趣。實際上這就和大家始終在問電腦如何來超越人腦一樣。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E電腦早就超越了人腦，只是說在哪些方面。我們大家現在認爲天才所具有的那些我們歎爲觀止的能力，其實現在的電腦是很容易來實現的，比如說記得快、記得準、算得快、算得準等等，在這些方面，對於計算機來講都是小兒科。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E但是目前在很多智能的層次，特別是對於不確定性的問題，對於比如說學習、自主決策等很多領域，計算機和人腦還是有相當大的距離。 \u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E計算機會逐漸的縮小差距，至於最後能否全面的超過人腦，我個人覺得從技術的層面會越來越多，因爲計算機的發展有一個特點，就是它從不退步，它一直往前走。但是我相信我們人是有智慧的，我們會在發展的過程當中來逐漸的完善我們對於研究領域的一個理解，來把控它的風險，因爲我相信人們之所以對這個問題重視，是因爲我們擔心會不會像科幻電影說的那樣毀滅人類。\u003C\u002Fp\u003E\u003Cp class=\"ql-align-justify\"\u003E實際上，能毀滅人類的東西我們早就已經造出來了，就是核武器，但是爲什麼現在它沒有毀滅人類？是因爲我們掌握它、我們可以控制它。像類腦計算、強人工智能、人工通用智能這些東西，我們相信人類可以很好地利用我們的智慧來規範它的發展的路徑，來讓它造福於我們人類，最大限度的避免那些風險。\u003C\u002Fp\u003E\u003Chr class=\"ql-align-justify\"\u003E\u003Cp class=\"ql-align-justify\"\u003E論文地址：\u003C\u002Fp\u003E\u003Cp\u003Ehttps:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs41586-019-1424-8\u003C\u002Fp\u003E\u003Cp\u003E參考來源：新智元、澎湃新聞、量子位\u003C\u002Fp\u003E\u003C\u002Fdiv\u003E"'.slice(6, -6), groupId: '6720390187794317836