清华开发出全球首款异构融合类脑芯片“天机”

近年来，人工智能的发展突飞猛进，然而技术突破大多是从智能的某个领域接近或超过人类智能，距离达到人类水平的人工通用智能（AGI，Artificial General Intelligence）还有很长的路要走。

8月1日，顶级学术期刊《自然》（Nature）的封面文章介绍了中国科学家发展人工通用智能的尝试，实现了中国在芯片和人工智能两大领域《自然》论文零的突破。

这篇名为《面向人工通用智能的异构天机芯片架构》（Towards artificial general Intelligence with hybrid Tianjic chip architecture）的论文介绍了一款新型人工智能芯片，它结合了类脑计算和基于计算机科学的人工智能。作者用一个无人自行车系统验证了这一混合芯片的处理能力。试验中，无人自行车不仅可以识别语音指令、实现自平衡控制，还能对前方行人进行探测和跟踪，并自动过障、避障。

作者认为，这项研究或能为人工通用智能平台的进一步发展起到促进作用。原则上，人工通用智能平台可以执行人类能够完成的所有任务。

异构融合的“天机芯”

在7月30日的电话新闻发布会中，论文通讯作者、清华大学精密仪器系教授施路平介绍了论文的研究思路。他提到，现阶段，发展人工通用智能的方法主要有两种，一种是以神经科学为基础，尽量模拟人类大脑；另一种是以计算机科学为导向，让计算机运行机器学习算法。二者各有优缺点，但都代表人脑处理信息的部分模式,目前将两者融合被公认为最佳解决方案之一，其中的关键是二者融合的计算平台。

施路平与研究团队由此提出将两种方法异构融合的架构，并在此架构上发展出了天机芯片（Tianjic chip）。

施路平表示，天机芯片是中国完全自主研发的技术成果，其中的异构融合思路由项目研究团队首先提出。天机芯片也是多学科融合的结晶，团队成员来自清华大学、北京灵汐科技、北京师范大学、新加坡理工大学和加州大学圣塔芭芭拉分校。

天机异构融合类脑计算架构（Source：nature）

天机芯片采用众核架构、可重构功能核模块和混合编码方案的类数据流控制模式，可以同时支持机器学习算法和类脑电路，它由156个FCores组成，包含约40000个神经元和1000万个突触，采用28纳米工艺，面积为3.8×3.8平方毫米。

同时支持计算机科学模型和神经网络模型是天机芯片的一大特点。负责芯片设计和算法细节的论文作者邓磊介绍，通常，市面上的深度学习加速器只支持计算机科学模型，神经形态芯片只支持神经科学模型，而天机芯片两者都可支持，同时支持神经科学发现的众多神经回路网络和异构网络的混合建模。

天机芯片单片（左）和5x5阵列扩展板（右）（Source：nature）

邓磊提到，实现上述两类模型深度而高效的融合是天机芯片设计中最大的挑战，因为两类模型所使用的语言、计算原理，编码方式和应用场景都不相同。

施路平透露，目前，团队已经启动了下一代芯片的研究，预期明年年初可以完成研发工作。

无人自行车系统

为了验证天机芯片的混合处理能力，研究人员开发了一款无人自行车系统。

论文提到，搭载一枚天机芯片的无人自行车系统可以实现多功能算法和模型的同步处理。这辆自行车上配备了摄像头、陀螺仪、速度计、电机、天机芯片和惯性测量单元。试验中，展示了自行车的自平衡、动态感知、目标探测、跟踪、自动避障、过障、语音理解、自主决策等功能。

自动行驶自行车演示平台: S型路线跟踪

自动行驶自行车演示平台: 语音控制“左转”

自动行驶自行车演示平台: 语音控制“直行和加速”

自动行驶自行车演示平台: 自主避障

研究人员在无人自行车系统中设计了一些不同模态的模型以验证天机芯片的多模态异构融合功能。要实现这些任务，需要克服三个主要挑战：

首先，在室外自然环境中成功检测并平滑跟踪移动目标、跨越减速带，并在必要时自动避开障碍物。
第二，需实时响应平衡控制、语音命令和视觉感知产生实时电机控制信号，以保持自行车在正确的方向上运动。
第三，实现多种信息的集成处理和快速决策。

为了完成这些任务，团队开发了几个神经网络，包括用于图像处理和物体检测的CNN，用于人类目标跟踪的CANN，用于语音命令识别的SNN，用于姿态平衡和方向控制的MLP，还有用于决策控制的混合网络。

上图为基于Tianjic芯片多模型整合平台的无人驾驶自行车各项测试结果。（Source：nature）

图（c）显示响应不同语音命令的输出信号。图（d）显示自行车在跟踪、避障和和“S形”曲线行进时的输出控制信号。图（e）为基于物理量度的不同速度下的车辆姿态和转向控制的学习情况。

邓磊介绍，无人自行车系统的语音识别、自主决策、视觉追踪功能运用了模拟大脑的模型，而目标探测、运动控制和躲避障碍功能运用了机器学习算法模型。他认为，天机芯片未来可以应用到自动驾驶和智能机器人等场景。

新闻发布会上，论文作者、清华大学精密仪器系副研究员裴京透露，团队的下一步计划是面向问题商业化，把现有的、已经成熟的成果商业化推广。

如何实现通用人工智能

在论文中，作者反复提及“人工通用智能”(AGI)的概念，并认为这项研究“有望通过为更广泛的硬件平台铺平道路来刺激人工通用智能的发展”。

“人工通用智能”是一个尚未实现的研究课题，有时也被称作强人工智能，它所描述的机器智能可以理解或学习人类所能完成的任何智力任务。

关于人工通用智能能否实现、何时实现的问题，业内有不同的观点。

部分人工智能学者认为，人工通用智能的概念并不严肃，在实践中基本不可能实现。另一些人则十分看好人工通用智能的发展，认为它有可能塑造人类的发展轨迹。还有一些则用实际行动表达对人工通用智能的态度，例如，今年7月，微软宣布向非营利性人工智能研究公司OpenAI投资10亿美元研发人工通用智能。

论文提到的一种发展人工通用智能（AGI）的混合方法，结合了神经科学导向和计算机科学导向方法的优点。

在《自然》论文的新闻发布会中，施路平表示，“人工通用智能是一个非常难的研究课题”，但“我们相信它是一定会实现的”，他认为，从未来发展的角度看，人工通用智能是一个必然的趋势。

鉴于目前机器学习和神经科学的进步，AGI系统至少应具有以下特征：

1、能够支持在神经网络中进行丰富的空间、时间和时空关系的表达。
2、支持分层、多粒度和多域网络拓扑架构，不限于某一专门的网络结构。
3、支持各种模型，算法和编码方案。
4、支持多个专用神经网络的交织合作，这些神经网络可能是为并行处理不同任务而设计的。

这些特征需要在一个通用化的平台中高效地运行，即能够在统一框架中实现对主流的人工神经网络（ANN）以及受神经科学启发的模型和算法的支持。

实现AGI开发的混合路线（Source：nature）

为了支持这些功能，施路平团队开发了一种跨范式计算平台，可以适应面向计算机科学和神经科学的神经网络（图1），兼容各种神经模型和算法，尤其是基于生物学的（如脉冲神经网络，即SNN）要素。

通常，ANN和SNN在信息表示、计算原理和记忆组织方面具有不同的建模方式（如图2a所示）。二者最大的差异是，ANN以精确的多位值来处理信息，而SNN使用二进制脉冲序列。ANN神经元和SNN神经元之间的实现比较如图2b所示。

另一方面，ANN和SNN神经元之间也存在一些相似之处，这就为模型间的融合留下了空间。通过对ANN和SNN的神经网络模型进行详细比较，将计算模型解析并对应到相关的神经元功能模块上 - 即轴突、突触、树突和胞体，从而构建一个跨范式的统一神经元方案（如图2c所示）。团队设计了同时适用两种方案的突触和树突，而轴突和体细胞通过独立重构来改变功能。

Tianjic芯片设计示意图（Source：nature）

上图（d）是一个完整的单功能核（FCore）示意图，包括轴突、突触、树突、胞体和路由部分。为了实现深度融合，几乎整个FCore都可以重新配置，以便在不同模式下实现高利用率。FCore能够涵盖大多数ANN和SNN使用的线性积分和非线性变换操作。该芯片上的FCores以二维2D网格方式排列，如图（e）和（f）所示。

天机芯片和其后端布局图如下图（a）所示。芯片由156个FCore组成，包含大约40000个神经元和1000万个突触。天机芯片采用28纳米工艺制造，面积为3.8×3.8平方毫米。每个独立模块占用的芯片面积，包括轴突，电流，信号，路由器，控制器和其他芯片开销，如图（b）所示。由于资源可以重复使用，用以兼容SNN和ANN模式的区域仅占总面积的3%左右。FCore的功耗分解如图（c）所示。

芯片评估和建模摘要示意图（Source：nature）

施路平强调，此次发表在《自然》的论文是一个非常初步的研究，但这项研究或能为面向人工通用智能计算平台的进一步发展起到促进作用。人工通用智能是一项非常具有挑战性的工作，目前还处于起步阶段，他和团队的研究愿景是——“发展类脑计算，支撑人工通用智能，赋能各行各业”。

本文综合自《自然》、X-MOL、澎湃新闻、新智元、人民日报、新京报报道