模拟鼠脑的 48 块 TrueNorth 芯片阵列所运行的算法是什么？

一、模拟鼠脑的 48 块 TrueNorth 芯片阵列所运行的算法是什么？

首先，第一次被邀请回答，受宠若惊。（部分内容摘自boxi在36kr的文章，

http://36kr.com/p/214445.html

）

刚看到这个题目，TureNorth，14年的时候就听说了一些，IBM搞的一个新芯片，传言要打破冯诺依曼架构的芯片，当时仔细看了下

这种芯片把数字处理器当作神经元，把内存作为突触，跟传统冯诺依曼结构不一样，它的内存、CPU 和通信部件是完全集成在一起。因此信息的处理完全在本地进行，而且由于本地处理的数据量并不大，传统计算机内存与 CPU 之间的瓶颈不复存在了。同时神经元之间可以方便快捷地相互沟通，只要接收到其他神经元发过来的脉冲（动作电位），这些神经元就会同时做动作。

就是说NT其实是用芯片来模拟神经元的，与冯诺依曼架构不同之处就在于将处理存储和通讯集成在了一起。详细看下图：

A表示了大脑皮层的分层，虽然大脑皮层统称为灰质，但其实内部按照细胞形态和结构的不同，是可以划分为很多层的，有些层多是树突胞体，负责神经动作电位的产生，可以理解为处理信息，有些多是轴突，可以当作是传递电信号（多年前的神经科学课程，具体不准确的地方希望大大们指正）。那么NT的单个core其实就是模仿大脑皮层的这种多层结构，如果把FPGA模拟的神经网络看作每个单元模拟一个神经元，那么这种结构更像是将大脑皮层分成若干个voxel，每个voxel都是一个微缩的皮层结构提，而每个core模拟了一个voxel，这点可以从B中看到。而大脑其实又是一个功能分离和整合的信息处理集合体，可以理解为各种认知功能在大脑中是按区域分工的，但是这些区域又非完全独立，一些认知功能和任务往往需要几个区域共同完成。那么如果我们把每个功能区域的voexl整合看作一个cluster，cluster之间相互连接就变得非常重要。

通常来说，一个高效而稳定的网络，往往可以看作是一个“小世界”网络，而人脑网络恰恰也具有小世界网络属性，所以NT模拟的大脑同样采取了构建小世界网络的思路。

说的有点远，那么NT构建的模拟大脑，究竟是用了什么算法呢？

首先我们看一下NT到底都做了什么事情：

Let’s be clear: we have not built the brain, or any brain. We have built a computer that is inspired by the brain. The inputs to and outputs of this computer are spikes. Functionally, it transforms a spatio-temporal stream of input spikes into a spatio-temporal stream of output spikes.

可以看到，NT的输入输出其实是经过处理的时空信号，有点类似处理时域信号的神经网络。那么从这里看，NT做的事情和DeepLearning好像没什么区别。但是IBM的研究员又说了NT现在并没有使用传统的DL算法，这是为何？

其实从NT的架构就能看出，他所运用的算法应该不是是传统的DL。DL算法中，每个unit是模拟的某个神经元，每层表示了神经通路中每个功能区域，在算法上，每个unit具有独特参数的激活函数。我们的训练，其实就是来学习这些独特的参数。

而NT的每个core是模拟的某个voxel，不同的功能区域是通过不同的芯片集群来进行表示的，但是不同的集群间按照NT的架构，应该是有连接存在的，可是目前的深度网络，层间的连接仅存在与相邻层，就是说，传统的DL可以看作模仿了一个有向的神经通路，信息在网络中没有回传（DBM虽然在理论上是将网络作为了一个信息传递的整体，但网络结构始终不存在跨层直接连接，虽然RNN有自反馈，但是反馈并没有在层间特别是跨层进行）。如果NT真的是做到了他们介绍的那样，那么无疑这是目前最接近大脑对信息处理方式的架构。

至于NT究竟是用了什么算法，抱歉说了这么多，我也看了一下IBM的研究首页，没有得到非常准确的答案。以为NT特殊架构的问题，NT采用的是一种新的语言：

If one were to measure activities of 1 million neurons in TrueNorth, one would see something akin to a night cityscape with blinking lights. Given this unconventional computing paradigm, compiling C++ to TrueNorth is like using a hammer for a screw. As a result, to harness TrueNorth, we have designed an end-to-end ecosystem complete with a new simulator, a new programming language, an integrated programming environment, new libraries, new (and old) algorithms as well as applications, and a new teaching curriculum (affectionately called, “SyNAPSE University”). The goal of the ecosystem is to dramatically increase programmer productivity. Metaphorically, if TrueNorth is “ENIAC”, then our ecosystem is the corresponding “FORTRAN.”

毕竟我只是酱油党，这种太精尖的东西，不是一时半会儿就搞透了的，不过这确实是个很有希望的东西，我也会继续关注下去，慢慢更新把~~

第一次写这么多字。。。不讨厌的希望留个赞，也给我继续更新的动力。、

参考文章

IBM Research: Brain-inspired Chiphttp://36kr.com/p/214445.html

二、人工智能芯片和普通芯片区别？

普通芯片按照预定的程序执行指定的操作，而人工智能芯片內含AI算法，能够自我学习，不断优化自身的操作

三、人工智能芯片

人工智能芯片：推动智能革命的未来之星

人工智能（AI）是近年来备受瞩目的热门技术领域，它在各个行业中发挥着越来越重要的作用。作为AI的核心组成部分，人工智能芯片扮演着关键角色，为智能设备和系统赋予超强的计算和处理能力。随着技术的日益发展，人工智能芯片将成为推动智能革命的未来之星。

人工智能芯片是一种专门设计用于加速执行人工智能任务的集成电路。与传统的通用处理器相比，人工智能芯片具备更高效的处理能力和能耗优势，能够执行复杂的AI算法和模型，从而实现对大规模数据的高效加工和分析。

人工智能芯片的分类

根据其设计和应用领域的不同，人工智能芯片可以分为以下几种类型：

• 图形处理单元（GPU）：GPU最早是为了处理图像和视频而设计的，但由于其并行计算的优势，逐渐成为了人工智能计算的重要推动力量。GPU能够同时处理大量数据，对于并行计算密集型的深度学习任务效果显著。
• 应用特定集成电路（ASIC）：ASIC芯片能够在设计之初就专门针对特定的AI任务进行优化，因此具备更高的计算速度和更低的功耗。ASIC芯片在数据中心等需要大规模AI计算的场景中得到广泛应用。
• 可编程逻辑门阵列（FPGA）：FPGA芯片具备可编程性，可以通过自定义的逻辑电路实现特定的AI计算任务。相比于ASIC芯片，FPGA芯片能够进行灵活的重构，适应不同的计算需求。
• 神经网络处理单元（NPU）：NPU是一种专门为神经网络计算而设计的芯片，具备高度并行的计算结构和丰富的内存带宽，能够高效地执行神经网络的训练和推断。

人工智能芯片的应用

人工智能芯片在各个领域都具备广阔的应用前景。以下是一些人工智能芯片应用的典型例子：

• 智能手机和智能音箱：人工智能芯片的高效计算和能耗优势使得智能手机和智能音箱等智能设备能够实现语音识别、图像识别、自然语言处理等复杂的AI任务。
• 自动驾驶：人工智能芯片为自动驾驶系统提供了强大的计算能力，能够实时分析和理解车辆周围的环境信息，实现智能驾驶和自动避障。
• 医疗诊断：人工智能芯片能够对大量的医疗图像和数据进行高效处理和分析，为医生提供快速准确的诊断结果，帮助改善医疗诊断的精确性。
• 智能安防：人工智能芯片在视频监控和安防系统中的应用越来越广泛。通过实时的目标检测和行为分析，可以实现智能报警、区域监控等功能，提高安防水平。
• 金融风控：人工智能芯片可以对金融数据进行高速计算和分析，帮助金融机构进行风险评估和反欺诈分析，保障金融交易的安全和稳定。

人工智能芯片的发展趋势

随着人工智能技术的不断进步和应用场景的不断扩展，人工智能芯片也在不断发展和演进。以下是人工智能芯片未来的发展趋势：

• 性能提升：为了应对越来越复杂的AI任务，人工智能芯片的计算能力将持续提升。未来的AI芯片将采用更先进的制程工艺和架构设计，实现更高的运算效能和更低的功耗。
• 多模态处理：人工智能芯片将不仅仅局限于处理单一的数据类型，而是能够同时处理多种数据类型，如图像、语音、视频等。这将进一步提升人工智能系统的感知和分析能力。
• 边缘计算：为了满足对实时性和隐私性的需求，人工智能芯片将更多地应用于边缘计算场景。通过在终端设备上进行AI计算和推理，可以减少数据传输和延迟，提升系统的响应速度。
• 可持续发展：人工智能芯片的能耗问题一直备受关注，未来的发展将更加注重能效和可持续性。通过优化架构设计和算法算力的平衡，可以实现更高效的能源利用和环境保护。

总之，人工智能芯片作为推动智能革命的重要驱动力量，正在发挥着越来越重要的作用。随着技术的不断进步和应用的不断扩展，人工智能芯片将继续发展，为各行各业带来更多的创新和机遇。

四、人工智能芯片原理？

人工智能芯片的原理主要是通过硬件加速来提高神经网络算法的计算性能。传统的中央处理器（CPU）虽然可以用来执行神经网络算法，但其并行计算能力较差，难以实现高效、复杂的神经网络模型，因此新的硬件加速技术应运而生。

目前市面上常见的人工智能芯片有图形处理器（GPU）、专用集成电路（ASICs）和场效应晶体管（FPGA）等。不同类型的芯片在实现方案和运算方式上略有不同，但基本都采用了定点运算和脉动阵列的方式，在时间和空间上进行并行计算，从而可以大幅提高神经网络模型的训练速度和推理速度。

总的来说，人工智能芯片的原理是在硬件层面通过并行计算和高效运算来加速神经网络算法的运行。

五、人工智能芯片如何应用？

人工智能芯片可以应用于各种领域，包括以下几个方面：

1. 机器学习：人工智能芯片可以加快训练和推理过程，提高机器学习模型的性能和效率。它们可以处理大量的数据并进行实时决策，能够在较短的时间内识别模式、学习规律，提供更准确的预测和分析。

2. 计算机视觉：人工智能芯片可以用于图像和视频处理。通过深度学习算法，芯片能够从图像和视频中提取特征、识别物体、实现目标检测、人脸识别等功能。这些应用包括安防监控、自动驾驶、医学影像分析等。

3. 自然语言处理：人工智能芯片可以处理和理解人类语言，包括语音识别、语义理解、机器翻译等任务。这些芯片可以用于智能助理、智能客服、语音识别输入等应用。

4. 机器人和自主系统：人工智能芯片可用于控制和管理机器人和自主系统。通过集成感知、决策和执行功能的芯片，机器人和自主系统可以感知周围环境、做出决策、执行任务，实现自主导航、智能控制等功能。

5. 联网设备和物联网：人工智能芯片可以嵌入到各种联网设备中，使其具备智能化的能力。通过与云端的联动，这些设备可以进行数据分析、智能控制，实现智能家居、智慧城市等应用。

总而言之，人工智能芯片在各个领域都有广泛的应用，能够为各种智能化系统和设备提供高效的处理能力和智能决策能力。

六、人工智能芯片的要求？

AI人工智能需要使用高性能的芯片来支持其计算需求。以下是一些常用的AI芯片：

1. GPU（图形处理器）：GPU是一种高度并行化的处理器，可以同时执行多个任务，适合于AI训练和推理等计算密集型任务。

2. ASIC（专用集成电路）：ASIC是一种定制化的芯片，针对特定的应用场景进行设计和优化，可以提供更高的性能和效率。

3. FPGA（现场可编程门阵列）：FPGA是一种可编程逻辑芯片，可以根据需要重新配置其电路结构，适合于快速原型开发和实验。

4. CPU（中央处理器）：CPU是计算机系统中最基本的处理器之一，虽然不如GPU和ASIC在AI计算方面表现出色，但仍然可以支持一些基本的AI应用。

总之，不同类型的AI应用可能需要不同类型的芯片来支持其计算需求。随着技术不断发展和创新，未来还会有更多新型芯片涌现出来。

七、人工智能ai芯片区别？

       一、性能与传统芯片，比如CPU、GPU有很大的区别。在执行AI算法时，更快、更节能。人工智能AI芯片的算法更具优势

       二、工艺没有区别，大家都一样。至少目前来看，都一样。人工智能AI芯片的NPU单元功能更强大

      

八、人工智能需要芯片吗？

人工智能机器人需要智能机器人芯片

通用芯片(GPU)。GPU是单指令、多数据处理,采用数量众多的计算单元和超长的流水线,主要处理图像领域的运算加速。

九、人工智能芯片正确表述？

具备人工智能学习功能的处理单元

十、人工智能芯片学什么？

人工智能芯片主要学习深度学习和神经网络算法，以及相关的计算机技术和硬件设计。深度学习是一种机器学习算法，其核心是神经网络，深度学习算法模拟人类大脑神经元的神经网络结构，通过训练数据来建立模型。

人工智能芯片对于这些算法的实现需要具备高效的计算能力和内存存储容量，并且需要具备高速的数据传输和处理能力，才能满足人工智能应用的需求。