新一代人工智慧就在我們面前
第一代人工智慧是基於規則的模擬邏輯，允許在特定且有限的問題中得出合理的結論。這種型別的應用程式非常適合監控或最佳化過程。隨後的AI一代主要涉及感知和感測器技術。分析影片或影象資料內容的深度學習網路 （DLN） 就是一個很好的例子。所謂的深度神經網路已經使用諸如 SRAM 或基於快閃記憶體的經典技術投入使用，並且最初模仿了大腦的並行性和效率。透過創新技術，可以進一步降低和小型化邊緣應用的能耗。
即將到來的下一代人工智慧將擴充套件這些能力並與人類認知相對應，例如自主適應或解釋能力。這一進步對於克服當前基於神經網路和推理訓練的人工智慧解決方案的斷點至關重要。因為這些反過來又依賴於對事件的確定性和字面評估，而這些評估通常缺乏上下文和普遍有效的理解。因此，下一代人工智慧必須能夠對新的情況和抽象做出反應，以便能夠實現人類日常活動的自動化。尖峰神經網路 （SNN） 還嘗試物理模擬神經元和突觸功能的時間分量。這可以實現更高的能源效率和可塑性。
神經形態研究的主要挑戰之一是掌握人類的靈活性。從非結構化刺激中學習同時像人腦一樣節能的能力正在成為研究中最大的挑戰之一。神經形態計算機系統中的計算機構建塊應被理解為類似於人類神經元的邏輯。尖峰神經網路 （SNN） 是一種新模型，用於以能夠模仿人類神經網路的方式排列這些元素。
尖峰神經網路 （SNN） 中的每個神經元都可以獨立觸發，在發生這種情況時，它會向網路中的其他神經元傳送脈衝訊號，進而可以立即改變它們的電狀態。透過在自己的訊號中並根據自己的時間決定這些資訊，SNN 透過動態分配人工神經元之間的突觸作為對刺激的響應來模擬自然學習過程。
那麼我們可以從中期待什麼呢？
目前，神經形態計算機系統仍在研究中。到現在，已經開發了很多原型並投入使用。該技術正在迅速獲得動力，英特爾或 IBM 等大公司正在參與研究專案具有前景的技術研發之中。
儘管如此，目前仍有一些關鍵點需要考慮，以便讓神經形態系統的應用取得成功。在硬體方面，我們面臨著儲存密度的問題，儲存密度的限制給建立強大的晶片帶來了問題。特別是在開發直接學習的晶片時，高精度的突觸權重必須與突觸和神經元一起存放。新積體電路元件的發展，例如憶阻器（憶阻器是由“儲存器”和“電阻器”這兩個術語組成的一個詞）或其他奈米技術的發展可以在這裡產生支援作用。
在軟體方面，我們必須制定用例並定義相關問題，其中神經形態系統可用於生成足夠的訓練資料。迄今為止，人工智慧技術解決的問題是專門為不使用神經形態計算的用例制定的。為了更清楚地說明這個問題，讓我們以計算機視覺中的物件跟蹤為例。物體跟蹤通常由普通相機進行，它記錄和處理物體的多幀。從神經形態的角度來看，風景如畫的資料由連續的尖峰訊號組成，當光線入射時，這些訊號會在視網膜神經元啟用時被啟用。神經形態方法讓我們對如何看待問題有了不同的看法。為了能夠正常使用這個應用程式，我們必須事先處理這些問題它應該為我們解決。
有很多人工智慧研究正在進行中
人類大腦計劃是一個非常有前途的專案，它恰好解決了該領域的這些問題。該倡議由歐盟共同資助，為來自各個領域的研究人員提供了一個平臺。神經形態計算平臺專為計算機輔助神經科學和機器學習而設計。平臺使用者可以分析網路實現，例如 HBP Brain Simulation 提供的大腦模型的簡化版本或基於理論工作的通用電路模型。該平臺也可能引起行業和技術公司研究人員的興趣，以模擬和測試公司特定的應用程式。與其他高效能計算資源相比，神經形態系統提供更快的速度和更低的能耗。
*本文由CyberDaily 編輯VKi 編譯，轉載或聯絡請私信後臺。
VKi |CyberDaily編輯，挖掘腦機介面、人工智慧及機器人等科技資訊故事。
-未來已來，只是分佈不均勻-
