编辑:白峰
【新智元导读】人脑,是自然界中最完美的计算系统,不仅能处理多种复杂任务还有最高的效能,是目前唯一的「通用智能体」。最近,清华联合团队提出的类脑计算系统新框架,或将加速通用人工智能的到来。
最近,来自清华大学、北京信息科学与技术国家研究中心、美国特拉华大学科研团队的一项突破性研究,或将加速类脑计算和通用人工智能的到来。
这一研究发表在10月14日最新一期的《自然》杂志上。清华大学类脑计算中心主任施路平和清华大学计算机系研究员张悠慧为该论文的共同通讯作者。
该研究在类脑计算通用架构方向取得了重要进展,
并提出了「神经形态完备性」的概念。
通用人工智能是指具有人类同等智慧或超越人类的人工智能。
目前,人工智能在很多领域有了突破性的进展,但是这些进展只能解决特定的问题。基于冯·诺依曼架构的计算机在深度学习领域的成就,已经赶上或超过了人类的表现,但是在推理、决策等更灵活更复杂的问题上,还差很远。
一些研究试图在传统架构上,通过特定领域的语言或开发框架来实现通用计算,但这些研究通常没有考虑系统的图灵完备性,不能很好地模拟人脑的计算。
为解决传统计算架构的问题,施路平、张悠慧等人在这项研究中提出了「神经形态完备性」的概念,这是一种更普适的类脑计算完备性的定义,它不再要求硬件一定是神经形态完备的,软件和各种硬件的兼容性也更好。
类脑计算和传统计算的结构对比
同时,他们也提出了一种全新的类脑计算系统层次结构,包括了软件、硬件和编译三个层次。在该层次结构下,各种程序在任何神经形态完备的硬件上都能使用,迁移能力强。
软件,指的是编程语言或框架,以及基于他们构建的算法或模型。
在软件层,研究人员提出了一种统一的、通用的软件抽象模式——POG 图(programming operator graph),以适应各种类脑算法和模型设计。
POG 由统一的描述方法和事件驱动,集成了存储和处理,描述了什么是类脑程序,并定义了如何执行。POG是图灵完备的,可以支持各种编程语言和框架。
研究者设计了抽象神经形态结构作为硬件抽象。包括一个 EPG 图(execution primitive graph),作为上层的接口来描述可执行的程序。EPG 具有控制-流-数据流的混合表示,将它对不同硬件的适应性最大化,且符合当前硬件的发展趋势,即混合架构。
为实现可行性,研究人员提出了一套支持主流类脑芯片的基本硬件执行原语(hardware execution primitives),并证明配备这套硬件的神经形态是完备的,并以一个工具链软件作为编译层的实例,论证了该层次结构的可行性和优越性。
研究人员认为,这一层次结构促进了软硬件的协同设计,实现了软硬件解耦,确保了任何类脑程序都可以由图灵完备的 POG ,在任何神经形态完备的硬件上正确执行,也确保了类脑计算系统的编程可移植性、硬件完备性和编译可行性。
与传统计算机的「图灵完备性」概念与「冯诺依曼」体系结构相对应,全新的类脑计算完备性及软硬件去耦合的类脑计算系统层次结构(软硬件去耦合让软硬件开发人员的开发难度大大降低)。
为类脑计算打开了一条新的通路,将更好地支持通用计算。
这一层次结构让相同算法在不同硬件平台及不同算法在相同硬件的性能比较成为可能,也就是可以构建一个测试基准,来推动类脑计算的发展。
参考链接:
https://www.nature.com/articles/s41586-020-2782-y