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回顧了第三屆IBM IEEE CAS/EDS人工智能計算研討會的相關(guān)內(nèi)容。研討會主題為“從原子到應(yīng)用（From Atoms to Applications）”，覆蓋了AI與微生物、原子級存儲材料、逆向工程視覺智能、遷移學習、邊緣AI、神經(jīng)系統(tǒng)AI、量子電路與光子計算等內(nèi)容。
本次研討會由IBM研究部（IBM Research）、美國電氣和電子工程師協(xié)會（IEEE）下的電路與系統(tǒng)協(xié)會（Circuits and Systems Society）和電子設(shè)備協(xié)會（Electron Devices Society）一同舉辦。
一、微生物群落解決新冠病毒流行？
加州大學圣地亞哥分校（University of California San Diego）的首席顧問羅布·奈特（Rob Knight）談到了“使用人工智能來了解人類微生物群及其在COVID-19中的作用”。
他在研究中發(fā)現(xiàn)人類微生物群落擁有極其復雜的基因和細胞集合，其數(shù)量甚至超過人類本身的基因和細胞，這一發(fā)現(xiàn)正在重新定義人類的概念。奈特表示，處理如此復雜的數(shù)據(jù)需要人工智能技術(shù)。
奈特強調(diào)了該大學和IBM之間名為“人工智能帶來健康生活”的合作項目，介紹了微生物群落在醫(yī)療健康技術(shù)中的應(yīng)用。
這一合作項目旨在了解人類微生物群落，并發(fā)現(xiàn)它如何隨著年齡和疾病而變化。其目的是通過制定飲食、生活方式和藥物治療策略等方式，使人類能夠最大程度地保持健康。
為應(yīng)對新冠病毒大流行，奈特教授及其團隊目前正在研究微生物群落在易感人群（包括老年人和具有特定微生物組相關(guān)疾病的人群）患病時的作用。這項研究將普遍適用于其他疾病，并將有助于銜接傳染病和慢性疾病領(lǐng)域的研究。
二、原子級存儲實現(xiàn)憶阻器
一些研究人員正在研究可以應(yīng)用于人工智能設(shè)備中的原子材料。在一場題為“原子級存儲：從單一缺陷到模擬開關(guān)和計算（Atomic Memory: From Single Defects to Analog Switches and Computing）”的演講中，德克薩斯大學奧斯汀分校的Deji Akinwande教授專注于超薄二維納米材料中的存儲效應(yīng)。
該教授表示，這一發(fā)現(xiàn)可以為電子工程技術(shù)的進步與發(fā)展提供巨大的幫助。基于二維材料的非易失性存儲器件目前有一些缺陷，但也是一個快速發(fā)展的領(lǐng)域。
Akinwande的發(fā)言突出了其團隊在單層存儲器（原子電阻）方面的開創(chuàng)性工作，這將有利于零功率器件、非易失性RF開關(guān)和神經(jīng)擬態(tài)計算中憶阻等技術(shù)的實現(xiàn)。
三、人工智能模擬人腦表現(xiàn)良好
人腦和認知科學的研究人員正致力于研究逆向工程人類思維及其智能行為。該研究領(lǐng)域還處于起步階段，正向工程方法的目標是在人工系統(tǒng)中模擬人類智能。
James J. DiCarlo是麻省理工學院智力探索項目的聯(lián)合主管，也是麻省理工學院人腦研究所的研究員，他就這項工作的一個方面發(fā)表了一篇論文《逆向工程視覺智能（Reverse Engineering Visual Intelligence）》。
DiCarlo預(yù)測，通過將人腦和認知科學家的努力與模擬智能行為的正向工程緊密結(jié)合，或許可以解決人類智能逆向工程的挑戰(zhàn)。
如果這種方法能夠發(fā)現(xiàn)合適的神經(jīng)網(wǎng)絡(luò)模型，這些模型不僅將拓展我們對復雜人腦系統(tǒng)的理解，而且將形成下一代計算和人腦接口技術(shù)的基礎(chǔ)。
講座的重點是視覺對象的分類和檢測。DiCarlo指出，大腦、認知和計算機科學的工作融合在一起，形成了能夠支持這類任務(wù)的深度神經(jīng)網(wǎng)絡(luò)（DNN）。
這些深度學習網(wǎng)絡(luò)不僅在許多圖像處理上能達到人類的表現(xiàn)，而且能根據(jù)靈長類動物視覺系統(tǒng)的內(nèi)部工作模式進行建模，并在很大程度上可解釋和預(yù)測。
然而，目前靈長類視覺系統(tǒng)的表現(xiàn)仍然優(yōu)于當代人工深度神經(jīng)網(wǎng)絡(luò)，這表明在人腦和認知科學領(lǐng)域還有更多的內(nèi)容值得科學家們研究。
四、遷移學習解決大數(shù)量級預(yù)訓練任務(wù)
Facebook人工智能研究中心的研究總監(jiān)勞倫斯·范德馬滕（Laurens van der Maaten）發(fā)表了名為《弱監(jiān)督學習預(yù)訓練的局限性（Exploring the Limits of Weakly Supervised Pretraining）》的演講。
他指出，用于各種任務(wù)的最先進視覺感知模型都依賴于監(jiān)督預(yù)訓練（supervised pretraining）。按照ImageNet分類，這些模型事實上的預(yù)訓練任務(wù)現(xiàn)在已經(jīng)有將近10年的歷史了，其預(yù)訓練任務(wù)的數(shù)量級比較小。
所以在數(shù)量級較大的數(shù)據(jù)集很難進行收集與整理的情況下，我們對使用大幾個數(shù)量級的數(shù)據(jù)集進行預(yù)訓練仍然比較陌生。
在范德馬滕的演講中，也討論了一項關(guān)于遷移學習的研究。該研究著眼于訓練用來預(yù)測數(shù)十億張社交媒體圖片上的話題標簽的大型卷積網(wǎng)絡(luò)（large convolutional networks）。
迄今為止，該研究取得了比較好的成績，通過對數(shù)個圖像分類和目標檢測任務(wù)進行了改進，ImageNet-1k單一因素驗證準確度達到85.4%。
五、邊緣AI如何保障用戶安全？
邊緣AI是指在硬件設(shè)備上本地處理的AI算法,可以在沒有網(wǎng)絡(luò)連接的情況下處理數(shù)據(jù)。
專注于計算機安全硬件服務(wù)的Borsetta公司首席執(zhí)行官帕梅拉?諾頓（Pamela Norton）以《用可靠的智能芯片保障邊緣AI的未來（Securing the Future of AI on the Edge with Intelligent Trusted Chips）》為主題，拉開了研討會第二天的序幕。
諾頓提出了一個實現(xiàn)這一目標的框架，該框架將為這個新興領(lǐng)域的所有參與者創(chuàng)造機會。他認為通過將智能芯片遷移到邊緣的同時，融合人工智能并且開發(fā)新的計算處理方式可以保障用戶安全與隱私。
對于神經(jīng)可塑性的研究，尤其是研究生物神經(jīng)系統(tǒng)改變的能力，可以為人工智能系統(tǒng)設(shè)計提供許多新的思路。然而，生物神經(jīng)系統(tǒng)與人工智能系統(tǒng)設(shè)計的學科交融還處于起步階段，因此在設(shè)計能夠支持異質(zhì)可塑性的神經(jīng)擬態(tài)系統(tǒng)還存有關(guān)鍵的知識鴻溝。
六、德州大學新學習算法仿照大腦皮層構(gòu)建
矩陣人工智能聯(lián)盟（Matrix AI Consortium）的主任、德州大學圣安東尼分校的教授迪瑞莎·庫迪蒂普蒂（Dhireesha Kudithipudi）在《神經(jīng)啟發(fā)的人工智能：緊湊和彈性的邊緣模型（Neuro-Inspired AI: Compact and resilience for the Edge）》中談到了這個話題。
她介紹了最近由德州大學圣安東尼分校的神經(jīng)擬態(tài)人工智能實驗室（NAUI）開發(fā)的機內(nèi)學習系統(tǒng)（in-silico learning system）。
基于CMOS/憶阻器結(jié)構(gòu)，該系統(tǒng)模擬了一種仿生序列記憶算法，其靈感來自于具有完整結(jié)構(gòu)和內(nèi)在可塑性機制的大腦皮層。
該系統(tǒng)的合成突觸表示支持緊湊型存儲的動態(tài)突觸通路，使用憶阻器的物理行為模擬突觸通路的結(jié)構(gòu)可塑性，并通過可自定義的訓練方案實現(xiàn)突觸調(diào)控。
七、IBM量子電路已實現(xiàn)較高保真度
在過去的幾年里，量子計算已經(jīng)超越了實驗室環(huán)境，并通過云訪問技術(shù)得到了加速發(fā)展。
這種新的計算模式使用了原子操縱信息所遵循的物理規(guī)則。在這個層面上，量子計算機執(zhí)行量子電路，就像計算機執(zhí)行邏輯電路一樣，但通過使用量子態(tài)的疊加、糾纏和干擾等物理現(xiàn)象來執(zhí)行數(shù)學計算，即使是最先進的超級計算機也做不到。
IBM研究員、IBM Quantum副總裁杰伊·甘貝塔（Jay Gambetta）在題為《量子電路和云量子技術(shù)的未來（Quantum Circuits and the Future of Quantum Technology in the Cloud）》的演講中介紹了量子計算發(fā)展路線圖。
他概述了IBM提高超導量子比特系統(tǒng)設(shè)備性能的努力，表明其目的是生產(chǎn)出更高保真度的量子電路，并解釋了IBM是如何將電路計算與量子應(yīng)用聯(lián)系起來。
杰伊提出相應(yīng)的前沿研究、系統(tǒng)和軟件正在擴展學科前沿，并得到了不斷增長的量子計算科研人員支持。
八、光子計算加速高計算量人工智能模型
研討會的最后一場演講著眼于《光子計算解鎖革命性的人工智能（Unlocking Transformative AI with Photonic Computing）》。
最近的人工智能模型，如OpenAI的GPT-3自然語言處理（NLP），創(chuàng)造了一系列過去10年未有的機會。但是使用這些模型需要大量的計算能力。
法國初創(chuàng)公司LightOn的首席技術(shù)官和聯(lián)合創(chuàng)始人，同時也是巴黎Diderot大學教授的Laurent Daudet。他介紹了該公司的未來人工智能硬件如何應(yīng)對一些最艱難的計算挑戰(zhàn)，并描述了LightOn的光學處理單元（OPUs）是如何無縫集成到混合光子學/硅管道，加速先進的機器學習算法。
九、異構(gòu)計算成必然趨勢
研討會最后就“未來哪種人工智能計算方式將會占據(jù)主導地位？“進行了討論，討論由IBM T.J. Watson研究中心的經(jīng)理和研究員Arvind Kumar主持。
討論小組邀請了安全、模擬人工智能、光子計算、腦科學和量子計算等領(lǐng)域的專家從不同方面進行探討。
一開始專家們認為各種方法各有好處，最后也一致同意將來很可能沒有哪一種方法會占主導地位，因此需要在各種AI計算方法之間進行安全轉(zhuǎn)換的異構(gòu)計算。
結(jié)語：AI加速方法千帆競發(fā)
本次研討會由IBM與IEEE CAS/EDS聯(lián)合主辦，體現(xiàn)了IBM等企業(yè)高校在人工智能、云計算、量子計算和安全等領(lǐng)域的最新研究進展。據(jù)統(tǒng)計IBM在2020年共獲得9130項美國專利，連續(xù)第28年蟬聯(lián)美國專利榜冠軍。
這次的研討匯聚了很多在前沿研究領(lǐng)域有所成就的夢想家、科學家和創(chuàng)新者，用兩天的研討會向我們展現(xiàn)示了人工智能未來的挑戰(zhàn)和研究方向，也展現(xiàn)了這些科研人員的努力與追求。
來源：EE Times，IBM
