西井科技类脑强人工智能在全球首次实现“片上学习”

在第三届上海国际科普产品博览会举办期间，我国类脑强人工智能初创公司——西井科技研发团队通过技术展示，在全球范围内首次实现“片上学习”(On-Chip Learning)。

据了解，在机器学习领域，“片上学习”较目前流行的“在线学习”(On-Line Learning)又往前跨了突破性的一大步，这意味着机器学习能在硬件端直接完成，通过硬件层面的不断“自我学习”和“自我提高”，实现高效率、低功耗。未来，无论是在移动智能终端、家用智能终端或是大数据专用服务器等多领域，“片上学习”都将展现其独有且强大的优势。

“片上”自主学习画风分类

抽象画、巴洛克、花卉、室内、肖像、极简主义、波普艺术、超现实主义……多种画派和画风，让人眼花缭乱。

对于普通人来说，即便浸润艺术多年，想要做到看一眼便能直接分出画作流派，并不是件容易的事。机器是否能做到这一切？

自2014年起，加州理工大学Sergey Karayev 等人收集了Wiki-paintings画作以来，全球不少团队已加入机器快速识别、分类的研究中，以此来检验机器学习的成果。

最近，西井科技的神经形态实验室（WNR）首次在全球范围内实现了“片上学习”，并将此技术直接在Wiki-paintings画作集上进行测试。结果显示，机器能在短短 1 秒内自动完成1000多张图片的分类，正确率接近100%。

在展会现场，西井科技正式对外在WIKI系统中演示了“片上学习”过程。随意点击几种画风、画派在硬件端的“片上学习”后， 我们希望能从1万幅油画中正确而快速地找到选中的画风、画派。

期间，芯片可随时中断学习，以测试学习效果。结果我们发现，随着芯片学习进度的推进，油画识别与分类的正确率将逐步上升，直至经过8至10秒的一段完整学习后，识别的正确率接近100%。

“片上学习”此前研究进展缓慢

机器学习的目的就是让机器具有类似于人类的学习、认识、理解事物的能力。

从全球范围内来看，目前机器学习常用“在线学习”（online learning），即按照顺序、循序的学习，不断的去修正模型，进行优化。已有多家公司尝到“在线学习”的甜头，在视觉、声音、大数据等领域人工智能均有突破。

与此同时，研究人员也未停止对“片上学习”研究，因为只要实现这一技术，就能直接在硬件上完成学习与测试，进而让基础算法的研发迭代，产品的升级有着更短的周期和更高的效率，并且消耗更少的能源。

事实上，从1990年代起，大量的研究便集中在如何将算法嵌入硬件的理论研究中，但那时针对的仅是诸如非常简单的波形、信号处理。

到了2010年后，由于维持摩尔定律硬件的研发成本不断提高，刺激了学术界域工业界对于专用芯片的研究，开始有了配置硬件的高级语言接口。

不过“片上学习”在严苛的硬件环境中依旧研究进展缓慢，并没有一个成型的应用于实际问题的演示，一直停留在理论研究阶段。

现阶段，在硬件中部署机器算法更多还是“在线学习”，即用大规模高性能计算平台进行模型训练，然后将训练好的模型再直接部署在硬件中。

“片上学习”四大独特优势

据介绍，西井科技此次实现的“片上学习”，打个比方来说，就好像学生身边时刻跟随着一位“私教”，直接在芯片上边学习边测试训练成果，最大的优势是真正实现“无网络”情况下的“自我学习、自我实时提高”。

而“在线学习”则好比学生定期去“学校”上课，回家后做作业来测试学习效果，再将优化过的模型灌输在硬件中，每一次新的学习都需通过网络、云端等手段重新进行传输、迁移。

其次，因为“片上学习”可以实现本地化学习，从而帮助机器大幅度提升效率，提高运算速度。在网络环境相对严苛或有限的情况下，“片上学习”的芯片消耗的带宽和流量更少，大幅降低云端服务器的通讯成本，且耗时更少。毕竟“在线学习”需要更高质量的网络环境，在数据传输时会造成延迟。

谷歌的AlphaGo就是“在线学习”的典型，在今年与李世石比赛时，AlphaGo的服务器在美国中西部，通过谷歌云服务连接到韩国首尔的对局室，谷歌总部团队必须确保AlphaGo与谷歌的服务器连接顺利。

另外，“在线学习”算法存储在后台服务器或云端，在算法更新或使用时会产生高功耗，若实现算法本地化后可大大节约功耗。

据悉，2015年中国数据中心的电耗为1000亿度，年耗电量超过全社会用电量的1.5%。一些大企业的数据中心能源费用甚至能达到数十亿元。

若“片上学习”被运用在数据中心，可本地化处理数据，服务器运行带来的功耗成本也随之而大大下降，将大幅度降低企业的电费支出，更重要的是提升大数据挖掘、视频流处理的质量与效率。

尤其值得一提的是，“片上学习”使得终端手持设备更“智能”成为可能，手机、眼镜和无人机等的智能水平都能达到一个新的境界，实现“无网络”状态下的深度学习，同时也使超级计算机小型化成为可能。

以基因测序为例，因涉及大量的运算，目前来说依靠超级计算机处理。对于我们来说，依靠片上学习能大幅节省排序时间，医院就可以作为小型化的计算终端，提前在医院进行基因排序。

又比如，很多人看过的波士顿动力的人形机器人的行走视频，机器人行走的稳定性令人震撼，很大程度上得益于其强大的算法，为了满足这一算法的能耗，机器人在学习时不但得背着笨重的电池，身上还得插满数据线与大型处理器相连。而“片上学习”直接在硬件端完成学习，则能帮助机器人外形更为灵巧，依靠“自身智力”去不断学习提高能力。

在家用智能终端方面，因为实现了“片上学习”而非过去的“在线学习”，智能路由、智能办公室服务器都能实现算法的本地化，更加保障了数据的安全和私密性；

正因为有了“片上学习”的加入，未来无论是大数据的深度挖掘，还是智慧城市视频流监控分析等人工智能所涉及的各领域，都将变得便捷和智能化，而这无疑将加速人工智能的应用进程。

来源：人民网   作者：沈文敏