人工智能芯片是人工智能技術的重要組成部分，是實現(xiàn)人工智能算法的硬件基礎，也是人工智能時代的戰(zhàn)略制高點。那么未來人工智能芯片將朝著怎樣的方向發(fā)展？在2020世界計算機大會上，新加坡南洋理工大學教授、超限學習機（ELM）理論和算法體系提出者、廣智微芯創(chuàng)始人黃廣斌對這一問題進行了剖析。他認為，未來，人工智能芯片將朝著微型化趨勢發(fā)展，超限學習機（ELM）理論能夠有效地拓展神經網(wǎng)絡的理論和算法，在智能微芯片的研發(fā)中起到關鍵作用。

人工智能和機器學習的發(fā)展不是一帆風順的。從1950年代到1980年代，可以稱之為預熱階段，這個階段的特點是計算機能力有限，沒有有效的人工智能算法，也沒有足夠多的數(shù)據(jù)，但是華人創(chuàng)造性地把計算機翻譯成電腦，人們并沒有停止對人工智能的追求。從1980年代到2010年，這一階段是研究驅動階段，計算機功能足夠強大，人們開發(fā)出許多高效的算法，許多情況下雖然沒有足夠多的數(shù)據(jù)，沒有強力的工業(yè)產業(yè)驅動，但仍然有大量的研究成果涌現(xiàn)，更多的是來自研究人員和學術界的自發(fā)自我追求。從2010年開始，人工智能真正進入了數(shù)據(jù)/產業(yè)驅動階段，計算機功能變得足夠強大，產生的數(shù)據(jù)超級大、超級多、超級復雜，人工智能進入了一個新的時代。雖然幾年前人們對此有所擔心，人工智能是不是也會進入第三次冬天？但是由于產業(yè)和數(shù)據(jù)的驅動，人工智能真正進入了一個新的時代，而這個時代同時滿足了三個必要條件。高效的學習算法、高效的計算環(huán)境和豐富動態(tài)的數(shù)據(jù)，自從2010年開始，這三個必要條件便得以同時滿足了。當前，雖然人工智能和機器學習還處于極其初級的階段，還在不斷地提高，但并不影響人工智能的廣泛應用和需求。從歷史的長遠角度來看，人工智能還處于“智能”時代的底部醞釀期，“智能”大爆發(fā)的前夜。幾萬年發(fā)生的農業(yè)革命，幾百年前發(fā)生的工業(yè)革命，幾年前發(fā)生的智能革命，可以并稱為人類的三大革命，三大生產力解放的革命。

大數(shù)據(jù)不等于人工智能

許多情況下，人們經常把大數(shù)據(jù)和人工智能并列而談，但是實際上大數(shù)據(jù)和人工智能屬于不同的范疇，人工智能不必依賴于大數(shù)據(jù)，但是大數(shù)據(jù)必將導致和依賴人工智能技術。如果有的數(shù)據(jù)很大、很復雜，人們很難用傳統(tǒng)的方式去分析和理解大數(shù)據(jù)，很難有特定的公式去應用于特定的大數(shù)據(jù)，在這種情況下，必將依賴于人工智能技術的應用來解決這些問題，因此可以說大數(shù)據(jù)必將導致人工智能技術的應用，但人工智能不必依賴于大數(shù)據(jù)。很多情況下，人工智能只使用少量的數(shù)據(jù)，尤其在傳感器級，從人工智能和機器學習發(fā)展的本身趨勢來看，第一波的人工智能實際上聚焦于云端智能，很多人工智能算法應用于服務器，在服務器中和云端實現(xiàn)，但隨著物聯(lián)網(wǎng)的發(fā)展和普遍應用，人工智能技術開始逐漸地邁向本地智能，越來越多地從云端邁向本地傳感器。因此，從發(fā)展趨勢來看，人工智能和本地智能的結合會形成一個新的應用趨勢，我們將其稱之為普適學習（Universal Learning）。

智能芯片的發(fā)展趨勢

早期人工智能算法主要依賴于CPU的實現(xiàn)。在1980年代，機器學習算法實現(xiàn)主要依賴于PC端CPU的計算能力。從2010年開始，人們發(fā)現(xiàn)人工智能算法可以在GPU上更高效地實現(xiàn)，深度學習算法實現(xiàn)平臺逐漸地轉向了并行計算能力更加強大的GPU。2016年，很多研究人員預測，人工智能算法不必只依賴于GPU，GPU不是實現(xiàn)人工智能的唯一方法，還有很多其他的方法將會出現(xiàn)，包括專門為機器學習定制的云計算單元（TPU云+GPU云）等。而未來5年，人工智能算法可以在FPGA芯片、神經形態(tài)芯片、ASIC芯片和光子芯片上展開。在過去幾年，F(xiàn)PGA芯片、神經形態(tài)芯片、ASIC芯片和光子芯片的研究得到了長足的發(fā)展?？傮w來說，人工智能芯片可以預期微型化，傳感器+智能微芯片可以形成更廣泛的應用，可以廣泛應用于智能設備、智能傳感器、智能攝像頭等，甚至微型智能原件。可以說微芯片、智能微芯片，主要是聚焦于三個特點，體積微小、功耗微小、可以實現(xiàn)芯上學習。對于芯片來說，微功耗，或者說功耗微小是非常重要的一個特點。智能芯片的微型化離不開智能材料，離不開從生物學習中得到的啟發(fā)，智能芯片的微型化，對實現(xiàn)智能傳感器、微型智能傳感器起著十分重要的作用。可以說，機器學習和生物學習存在共同的基本學習單元，而這個基本單元和硬件的實現(xiàn)，無論是硅、石墨烯、光子，還是蛋白質，實際上都是獨立于實現(xiàn)的具體介質——硅、石墨烯、光子和蛋白質。未來，智能微芯片可以廣泛地應用于各行各業(yè)、各個產業(yè)、各個微型傳感器，可以廣泛應用于生物、機器人等領域中。

人工智能芯片微型化——智能材料

人工智能芯片的微型化離不開智能材料的應用。神經形態(tài)芯片的研發(fā)在過去幾年得到了長足的發(fā)展，新加坡南洋理工大學，澳洲、美國的一些大學，以及清華大學等學校的科學家們都做出了重要的貢獻。憶阻器技術也被廣泛應用于神經形態(tài)芯片的研發(fā)中。

與此同時，超限學習機（ELM）理論對神經形態(tài)芯片的研發(fā)也起了一定的作用，新加坡南洋理工大學，澳洲、美國、中國等都有科學家、團隊在做基于ELM理論的芯片研發(fā)，尤其是新加坡南洋理工大學，已經展開了ELM芯片的相關流片試樣。光子技術也被廣泛應用于智能芯片的研發(fā)，麻省理工、法國等大學的科學家們都研發(fā)出了基于光子的芯片。ELM理論指出隨機傅里葉序列的組合具有學習能力，法國科學家基于ELM理論已經實現(xiàn)了光子芯片。在未來幾年或者更長的時間里，研究人員預測將能夠實現(xiàn)智能芯片的微型化。

超限學習機（ELM）理論

在智能微芯片的研發(fā)過程中，特殊材料石墨烯以及人造蛋白質也許可以廣泛應用于智能芯片的研發(fā)中。為了實現(xiàn)智能芯片的微型化、智能微芯片，簡單的學習算法、學習理論將對芯片的研發(fā)起到至關重要的作用。研發(fā)人員預測，超限學習機（ELM）理論將對智能微芯片的研發(fā)有所助力。

超限學習機具有萬能逼近能力，任何連續(xù)目標都可以用前饋神經網(wǎng)絡以任意小的誤差近似逼近。超限學習機同時還具有萬能分類能力，任何理論上可以分開的目標，都可以用人工神經網(wǎng)絡加以分開。此外，超限學習機理論指出，SVM（支持向量機）提供的是次優(yōu)學習解，Kernel（核）函數(shù)不必是黑箱，可以通過ELM特征影射透明化。總體來說，超限學習機滿足萬能逼近和分類能力，（機器或者生物）學習可以不需要調整隱層節(jié)點，給定任何連續(xù)目標函數(shù)或可分類目標，只要神經元是非線性階段連續(xù)的，（人工或生物的）神經網(wǎng)絡無需調整隱層神經元就能任意逼近目標連續(xù)函數(shù)或對分類目標加以分類。神經元的無需調整對芯片的實現(xiàn)產生很大的作用，可以極大地簡化智能芯片的實現(xiàn)。

ELM理論于2006年提出，在提出后約10年間，哈佛、哥倫比亞、斯坦福、MIT、IBM Watson、Georgia Tech等機構的研究人員分別在老鼠的嗅覺系統(tǒng)、猴子的視覺系統(tǒng)、人的感知系統(tǒng)，以及果蠅的嗅覺系統(tǒng)中直接或間接地得到了驗證，人們發(fā)現(xiàn)這些系統(tǒng)中的神經元其實是可以隨機產生的，正好滿足ELM理論。作為ELM理論的一個特例，傅里葉變換作為隱層輸出，來自于谷歌、微軟、斯坦福等機構的科學家也有相應的研究。2016年，IBM研究出基于ELM的第一個類生物神經元，隨機神經元/隨機連接也逐步在越來越多的深度學習中使用。由于是隨機神經元/隨機連接，因此諸如此類的芯片實現(xiàn)也會越來越簡單，越來越方便。

總體來說，智能芯片的微型化，離不開智能材料，離不開從生物學習中得到的啟發(fā)，離不開智能傳感器。因此，研究人員預測，超限學習機（ELM）作為存在于機器學習和生物學習中的共同基學習單元，相當于一個基本的學習粒子，人之所以具有超強的學習能力，一個基本的學習功能，基本的學習粒子是必不可少的，而未來，超限學習機（ELM）將在智能微芯片的研發(fā)中起到關鍵作用。

（本文根據(jù)新加坡南洋理工大學教授、超限學習機（ELM）理論和算法體系提出者、廣智微芯創(chuàng)始人黃廣斌在“2020世界計算機大會”上的演講整理而成，未經演講人審閱）