在人工智能領域的浪潮中，神經網絡可以說是其發展的重要推動力之一。舉個例子，神經網絡可以處理大量數據，還可以完成一些諸如以近乎完美的準確度進行語音識別或者圖像識別的工作，這些對人工智能的發展來說十分重要。
不過，即便已經取得了不小的進步，問題仍然存在：神經網絡是根據人類大腦的結構所設計的，一般由軟件構建而非硬件。通常情況下，軟件運行在傳統的計算機芯片上，而相對緩慢的傳統硬件架構限制了神經網絡的發揮。現在，IBM的研究結果表明，在硅中直接嵌入神經網絡的關鍵特性可以使其效能提高100倍。另外，以這種方式構建的芯片在未來幾年內很有可能會加速機器學習的進步。
詳細來說，IBM提出的這款芯片，就像用軟件編寫的神經網絡一樣，可以模仿人類大腦中連接單個神經元的突觸，通過調節突觸連接的強度來讓神經網絡進行學習。而在人類的大腦中，神經元間的連接會隨著時間生長或消亡，這正是學習的過程。對軟件來說，這個過程很容易實現，但是在硬件中卻困難重重。
近日，IBM研究人員在《Nature》雜誌上發表了一篇論文，對這種微電子突觸進行了描述。這一方法的靈感源於神經科學，同時使用了兩種類型的突觸——短期突觸用於計算，長期突觸用於記憶。對此，來自美國國家標準技術研究院，專注於研究神經系統計算機硬件的研究員Michael Schneider表示，這種方法“解決了一些關鍵問題，”最明顯的莫過於在硅上構建AI神經網絡時遇到的低精準度問題，這曾經嚴重阻礙了研究的進行。
據瞭解，研究人員測試了一個由兩個簡單的圖像識別任務構成的神經網絡，分別是手寫文字識別以及彩色圖像分類。結果顯示，硬件神經網絡的精度與軟件神經網絡相當，但其耗能僅為軟件神經網絡的1%。
這個發現不僅對人工智能的發展有重要意義。如果它可以擴展到商業生產方面，就意味著IBM押對了賭注。儘管目前該公司不銷售計算機芯片，但卻一直在投資研究計算機硬件，試圖開發出一款可以為下一個重大進步提供動力的新型微電子元件。這項新技術可能就是發展的第一步，未來或許將極大地提高機器學習效率，並且更容易部署在智能手機等小型設備上。
Schneider表示：“能耗有一百倍的優化，對於全連接層的訓練速度也快一百倍，這樣的目標當然值得進一步的努力。”然而，並非每個人都這麼認為。斯坦福大學計算機體系結構的研究員Kwabena Boahen說，這項研究讓他想起了名為“憶阻器”的可調式晶體管，它有點類似於突觸，也曾一度受到了廣泛的關注，但是在近十多年來卻依然沒有什麼進展。
從整體來看，IBM芯片的設計還相對笨拙，它由五個晶體管和三個其他組件組成，其中是普通芯片，就只具備一個晶體管。此外，到目前為止，該系統的某些方面只是在模擬中進行了測試（這是一種驗證微芯片設計的常用技術），對IBM來說，該公司仍然需要構建一個完整的芯片，並展開實際測試。不過，儘管如此，這項工作對實現AI芯片計算機來說仍然具有重要的意義。
閱讀更多 AI小智君 的文章
