10 月 17 日，由清華大學科協星火論壇聯合清華大學類腦計算研究中心以及 HyperAI 超神經，舉辦的「從 AlphaGo 到類腦天機晶片，人工智慧走向何處」，在清華大學蒙民偉樓圓滿舉行。在開場的圓桌論壇環節，清華首位類腦博士鄧磊細數自己與類腦結緣的歷程，從多個角度對類腦計算進行解讀，為各位同學答疑解惑，讓我們對類腦計算以及人工智慧的發展，有了新的認識。
鄧磊，清華首位類腦計算博士、美國加州大學聖芭芭拉分校博士後。8 月 1 日《Nature》雜誌的封面上，展示了文章《面向人工通用智慧的異構天機晶片架構》，他作為第一作者，負責了晶片的設計和演算法細節。
上週四，由清華大學科協星火論壇聯合清華大學類腦計算研究中心，以及 HyperAI 超神經，舉辦了「從 AlphaGo 到類腦天機晶片，人工智慧走向何處」的主題論壇。鄧磊作為特邀嘉賓受邀出席，以圓桌論壇的形式分享了自己的一些觀點。本文將跟隨論壇上的問題，回顧他在 AI 和類腦計算領域的一些洞見。
學並探索著：類腦計算中心的第一個博士
提問：您是怎麼進入到類腦計算這個研究方向的？這個學科具體涉及到哪些內容？當年讀類腦計算博士的時候，類腦計算還未普及，當時還搜尋了一下，並沒有查到太多有效資訊，之後還特意詢問了導師……
作為類腦計算研究中心的第一個博士，我見證了類腦中心從零開始走到現在。包括後來的開公司、做研究。2017 年之後，我畢業去了美國，之後轉到偏計算機的方向。現在有 50% 是做理論， 50% 是做晶片。
我本科是做機械的，後來發現做機械沒有太多天賦，就慢慢轉到做儀器，後來還去做過機器人，研究過一些材料和微電，之後開始做 AI 的一些演算法、理論，最後才到晶片，慢慢進入到類腦計算。一路上不斷走不斷學，大概是這樣一個過程。
注：清華大學類腦計算研究中心，於 2014 年 9 月創立，涉及基礎理論、類腦晶片、軟體、系統和應用等多個層面。此中心由清華大學校內 7 家院系所聯合而成，融合了腦科學、電子、微電子、計算機、自動化、材料以及精密儀器等學科。
類腦計算的研究涉及到了多學科交叉融合。源頭肯定還是醫學（腦科學），現在的人工智慧最初脫胎於心理學和醫學，它們為模型提供了一些依據。
接下來的就是機器學習，以後它們肯定還是會走到一起，但現在分開來講，是因為機器學習有更多做產品的經驗，通常是從應用的角度來進行思考。
此外還有電腦科學，現在有 GPU 解決不了的問題，所以阿里華為都開始做自己的專用晶片，對計算架構方向的學生，也可以考慮往這個方向發展。
再往下就是晶片等硬體，這涉及到微電子甚至材料，因為要提供一些新的器件，現在還是用的一些很基礎儲存單元，但未來肯定會有一些新的器件，比如說碳奈米管、石墨烯等材料能不能應用進來。
另外還有自動化方向，很多做機器學習的人，通常是計算機系和自動化系的，因為自動化是做控制做優化，這和機器學習有異曲同工的地方。在類腦計算中，這些學科很好的融合在了一起。
提問：當時是有什麼樣的驅動，或者說什麼樣的契機，最終選擇了這個方向?
用一句話來說，這個方向最大的魅力在於它做不完。
我曾經想過一個哲學悖論，研究類腦計算跟人腦分不開，但用人腦來思考人腦，並不知道會達到什麼程度，對它的研究也就永無止盡。 因為人類對自己的思考，是永遠會存在的，總是會經歷高潮，然後進入平淡期，突然又出現了突破，它永遠不會停止。這個角度去看是很值得研究的。
提問：您目前所在的博士後階段，研究上有哪些不同？
以前在清華做晶片，更多的是從實用的角度，想的是我能做一個裝置，或者一個儀器出來。但是去美國後，更多的是從學科的角度來考慮這個事情，就像計算專業的計算架構，就像 ACM 很多圖靈獎，都是從來這方面來看待問題，雖然做同樣的事情，思考的角度就不一樣了。
如果從計算架構的角度來看，任何一個晶片無非就是計算單元、儲存單元、通訊就這三個方面，不管怎麼做，都是這三個事情的範疇。
天機芯和類腦計算：自行車不是重點
提問：Nature 的這篇文章，是一個里程碑的事件。在過去的幾十年中，您認為的里程碑事件有哪些？在類腦計算領域，又有哪些事件推動了行業的發展？
類腦計算這個領域相對複雜，我從人工智慧的脈絡來梳理，會更明顯一些。 人工智慧不是單一的學科，基本上可以分為四個方向。
第一個是演算法方面，第二個是資料，第三個是算力，最後是程式設計工具。里程碑的事件可以從這四個方向來看。
就演算法來講，當然是深度神經網路，這個是毋庸置疑的；從資料的角度來說，ImagNet 是一個里程碑，之前沒有大資料的加持，深度神經網路幾乎被埋沒。 在算力的角度，GPU 是一個很偉大的誕生。程式設計的工具，像 Google 的 TensorFlow 之類普及的應用，是推動發展的一個重要因素。
這些事情促進了 AI 的前進，而且它們是一個迭代發展的過程，缺了一個都不會有今天的局面。但 AI 也有自己的侷限性，比如 AlphaGo ，它只能進行單任務，除了下棋別的就做不好。這跟大腦是不一樣的。
第二個就是可解釋性，我們用深度神經網去進行擬合，包括用增加強化學習，但它們內部發生了什麼事情，還是不清楚的，一些人正在試圖將這個過程視覺化或弄清楚它的原理。
第三個是魯棒性， AI 不像人一樣穩定。比如自動駕駛，現在的 AI 也只是被用於輔助駕駛，是因為它還不能保證絕對的安全。 因為這些缺點，必須要去關注腦科學的發展，引入更多的腦科學的機制。在我看來，最迫切的就是讓智慧更通用化。
至於里程碑的事件，AlphaGo 算得上一個。因為它把 AI 抬到公眾的視野中，讓所有人去關注 AI，而且強化學習也是在之後才火起來的。 從晶片的角度來說，有側重演算法和受生物腦啟發兩類晶片，在這兩類晶片的發展中，分別有兩個里程碑。
第一類是機器學習方面，現在深度神經網路都是在 GPU 上計算，但 GPU 不是最高效的，有一批公司像寒武紀，在尋找替代 GPU 的方案，這是一個重要的事件。
另一類不侷限於機器學習，是從大腦的角度找模型做專用的晶片，這方面 IBM 或者英特爾做的比較好。
天機晶片之所以很受關注，就在於將這兩類各自的優勢，整合到了一個架構上去。
提問：你們團隊釋出了天機芯在自行車上的測試，能具體介紹一下這方面嗎？
在網上大家都被自行車所吸引，但我們團隊都知道，自行車不是我們的重點，它只是一個 Demo 的平臺，因為當時我們在想，要找一個好的平臺去給大家展示。
自行車的演示中，有視覺、聽覺還有運動控制，通過一個晶片去完成這些功能，是一個比較理想的平臺。當時是從這個角度去考慮的，自行車控制並不是很難，我們只是想展示一種新的模式。
類腦計算的未來：打破馮諾依曼架構
提問：未來的人工智慧或者類腦計算，和現有的馮諾依曼架構有什麼聯絡？它們是否會朝著人腦的形態演變？
這是一個很重要的問題，現在的半導體行業，就有一個基本的趨勢，包括 18 年的圖靈獎，也是頒給了做計算架構研究的研究者。 試圖讓 GPU 提高效能，有兩個方向，第一是把電晶體做小，就是物理微縮，遵循摩爾定律。但這兩年大家意識到摩爾定律開始失效了，相關的發展越來越慢，總有一天會無法做小了。
另一個方向就是做計算架構，設法通過設計框架，讓計算單元、儲存單元、通訊，這個三部分都發揮很高的效率。 人腦就很神奇，通過學習的積累，每一代人知識都在增長，我們要去借鑑這種知識的演化。
上個世紀，通用處理器的發展基本上遵循摩爾定律，因為以前電晶體能越做越小，計算架構的發展被一定程度埋沒。現在摩爾定律受阻以及 AI 這類需要追求高處理效率的應用，使得計算架構的研究又重新受到重視，未來十年也將是專用處理器的黃金時期。
對於類腦研究，大家問得最多的問題是，類腦計算能幹什麼？
這是一個很致命的問題，現在很多做人工智慧或做腦科學的人，都不清楚其背後的機理是什麼。就拿腦科學來說，有三個層次目前還比較脫節。
第一個是神經細胞究竟如何工作。這個問題，很多醫學家或者生物學家，都還在進行艱難的探索研究。
第二個是神經細胞之間是怎麼連線的，大腦裡面有 10 的 11 次方量級的神經細胞，它們是如何聯絡起來的，也比較難理清楚，需要藉助光學和物理學的力量。
最後，還要知道它們怎麼學習的，這也是最難但最重要的一個問題。
每一個方面都有一個鴻溝，但困難不能成為放棄探索的理由。如果毫不作為，就一點機會都沒有。在每個層面上做一些事情，最後總是會誕生一些新的東西，而後不斷地進行迭代。
如果要等到腦科學搞清楚了再去進行，那就晚了，別人肯定就超前了。
比如做 CPU 這件事情，就不像大家想的那麼簡單，不是說中國人不聰明，發動機也是一樣，原理大家都懂，但是要想做好卻不容易，工程難度和技術積累非一日之功。
其中一個原因在於，許多東西都有很大的產業鏈，如果最開始沒有去做，就失去了很多試錯的機會。 這個領域不會實現快速的突破，只能去腳踏實地進行。至於以後，現在的人工智慧、強人工智慧，人工智慧 2.0 和類腦計算，我覺得它們最後都會殊途同歸，因為他們都源於大腦，只是導向不同而已。
提問：前段時間在 Nature 上還有另外一篇文章，研究人員畫出了線蟲全部神經元的完整圖譜，以及全部神經元之間所有的 7000 個連線。
提問：這個工作和類腦研究有沒有聯絡？能不能用現有技術，或者馮諾依曼的 CPU 去模擬線蟲這個工作，另外接下來 3 到 5 年，我們可以期待什麼樣的事情發生？
我看過那個線蟲結構的研究，它對類腦研究有很大的影響。其實現在的 AI 模型，不管是類腦計算，還是人工智慧，它的連線結構大多還是脫胎於現在的層級深度神經網路，實際上是十分粗淺的。
我們大腦不是一個簡單的層狀網路，大腦更像一個圖。而且各個腦區之間的聯絡，是很複雜的。這個研究的意義，在於讓我們思考是否能借鑑這種連線方式。
之前有一個觀點，是說在神經網路的結構中，連線結構的作用實際上大於每一個連線的具體權值，也就是連線的意義是大於每一個引數的意義。
卷積神經網路為什麼能夠比以前的神經網路要厲害一些，就在於它的連線結構不同，所以它提取特徵的能力就會強一些，這也說明連線結構會導致結果的變化。
能不能在傳統的處理器上去做到這個成果，其實是有點困難的。馮諾依曼架構裡面最典型的是，需要一個很明確的儲存單元，一個很明確的計算單元。
但我們大腦裡面沒有那麼明確的界限，雖然我們有海馬體專門負責長期記憶，但從神經元網路層面來講你並不清楚大腦哪一團細胞一定就是儲存，哪些只是計算。
大腦更像是一個混沌的網路，計算和儲存難以區分，所以從這個角度上來講的話，很難用以前傳統的那些晶片或者處理器的技術來做。
所以我們必須要開發一些新的非馮諾依曼的方法，用新的架構方式支援，去做類腦方式的研究。
比如 2018 的圖靈獎，就宣告專用領域的晶片會越來越火。英偉達現在推廣的，就是異構架構，在一個平臺裡面有各種各樣的小的晶片 IP 核，可能這個就類似人的腦區一樣。
所以，現在不再像從前用一個 CPU 解決所有的事情，也沒有一個晶片能夠高效解決所有的事情。未來會逐漸走向各種高效專用的發展技術，這是目前的一個趨勢。
現在大家對腦科學或者類腦計算的理解，沒有人工智慧那麼透徹，有一個很重要的原因，是投資者以及產業界，還沒有過多的介入。 因此，不管是資料算力還是工具，都難以做起來。類腦計算就處於一個這樣的初級階段，相信以後當越來越多的大學和公司投入進來，就會明朗很多。
提問：類腦晶片的架構，和傳統的馮諾依曼架構有哪些方面的不同？
將類腦晶片進行拆分，可以分為類腦和計算。在類腦的角度上，它不是僅有 AI 裡面的深度神經網路，還結合了一些腦科學的計算。
從架構方面，馮諾依曼體系中有一個瓶頸，整個半導體行業的架構其實都在面臨這個難題：儲存的容量越來越大，它速度就越來越慢， 如果想擴大規模又想高速，就不可能實現。基本上做設計架構的人，多是在研究優化儲存層級，怎麼樣讓它變快。
天機和其他架構不一樣，沒有用到那些需要擴充套件的儲存器。天機晶片更像一個大腦，相當於細胞連成了很多小回路，小回路又擴充套件成了很多網路，最後構成功能區和系統，它是一個容易擴充套件的結構，而不是像 GPU 那樣。
天機芯的眾核去中心化架構決定了，它能比較容易地擴充套件成大的系統，沒有儲存牆的約束，實際上是存算融合的非馮諾依曼架構。這是在架構層面和現有處理器最大的一個區別，前面是模型層面的區別，基本上就這兩大類的區別。