芯片|海归教授创办类脑芯片公司，即将全球首发量产，功耗可降低100-1000倍( 二 )

文章插图

图 |神经形态计算发展流派功耗降低 100-1000 倍
对于该公司的芯片，Giacomo Indiveri 教授表示：“我们的类脑芯片目的并不是要取代 CPU 和 GPU，而是要提供可以放在机器人和物联网终端设备的实时传感，是一个非常低功率，紧凑而小型的计算单元。”
做 AI 技术的历代科学家，虽没有承认自己做神经形态计算或者类脑计算，但其实也是在想从 “脑” 再挖掘点东西。Google \\\\\\\"TPU\\\\\\\"、百度 “昆仑”、阿里平头哥 “含光”、寒武纪 “思元” 等 AI 芯片都在寻找提升 AI 能力的可能性。
谈及类脑芯片的最大优势，乔宁介绍，类脑技术可以做出不耗电的实时传感器信息处理系统。在物联网端上，传感器对环境信息提取模拟信号通常是第一步，在靠近传感端，把动态的信息先离散化数字化，只有动态信息发生的时候，才会实时生成数据，而处理器只能被动的由数据驱动运算（Data-driven computing）。”
而SynSense时识科技提出的全新方案 —— 事件处理器（Event Processor），这类处理器芯片运算机制是基于脉冲 / 事件触发的运算，可以用于一维的实时传感器信号分析或是二维的图像信号处理，事件触发及数据驱动运算，将能使整个传感器系统在没有动态信息发生时完全不耗电。

文章插图

图 | 各类芯片架构概览颠覆传统芯片的技术路径——不耗电的事件处理器
乔宁认为，从芯片的电路实现上，类脑芯片的形态可以分为几种：
一是同步电路芯片，这主要是通过 EDA、通过传统的电路来设计；
二是同步电路与异步电路混搭，比如在类脑芯片中利用同步电路实现单核设计、利用异步电路完成多核的通信；
三是纯异步电路实现，不管单核运算或者多核交互，里面所有的运算及通讯单元都遵循事件触发的机制；
第四种更高阶的形态，则是异步电路加亚阈值模拟计算。在这种最高阶的研究中，苏黎世神经信息研究所有多年的深入研究及积累，他们最新的处理器芯片在 28nm 的工艺下，利用晶体管亚阈值模拟特性模拟生物形态的曲线，利用 pA 到 nA 级电流完成神经网络计算，能效较纯数字解决方案有 1-2 个量级的提升。
类脑芯片的另一个重要特征是实时性，它可以处理的最佳事件类型不是云端运算，而是端上的传感器信息，例如语音或手势识别或心跳生物信号。
Giacomo Indiveri 教授补充称：“这些端上的实时的传感信息是我们的芯片最适合处理的信号，具有可配置的动态参数来匹配环境传感器的动态信息，在近传感器的芯片端完成运算及决策，不需要与云端产生传输数据。这就是为什么我们可以以低带宽、低功耗来高效处理这些实时信息的原因。”

文章插图

图 |DYNAP-CNN在可扩展性上，SynSense 研发的 DYNAP-CNN，是世界上第一款直接能对接事件相机的专用视觉处理器，芯片具有极强的可配置性，可以支持复杂大规模 SCNN 模型及算法。
其基于相机事件触发的运算机制打破了帧的限制，可以实现 5-10ms 端到端识别响应延时；基于稀松数据的动态数据运算，可以实现 < 1mW 超低功耗，较传统解决方案功耗降低 100-1000 倍。
在系统级上，因为基于传感器 — 处理器直接对接的实时数据运算，无需缓存、系统成本降低 50%，整个系统级基于传感器数据触发运算，可以实现真正的 always-on，可广泛落地于智能家居人机交互、智能机器人、可穿戴设备、智能安防、工业互联网等领域。