立于百年机遇变革潮头，数字经济已成中国经济高质量跃迁新引擎。加速数字产业化、产业数字化，是当下发展数字经济及数字化转型的重要命题。到底什么是数字经济？数字经济现处何种阶段？数字经济的发展方向在哪里？如何实现数字化转型？……

江伟杰博士现任全球半导体联盟亚太区执行长，拥有丰富的实际应用和芯片开发工程经验。全球半导体联盟拥有近400家成员公司，产值占半导体行业75％以上。

世界上最复杂的东西是什么？

答案不是机器，不是AI，是我们的大脑。

神经学家说，人脑是世界上最复杂的东西，它复杂得让试图解释它的简单模型可笑，让精致的模型无用。生物学家说，人的大脑是否能理解它自己，是最古老的哲学问题。

在人工智能的发展中，一直存在着两大技术路径，一条是以模型学习驱动的数据智能，另外一条是以认知仿生驱动的类脑智能。前者即我们通常所指的“人工智能”技术，它已广泛应用于人脸识别、机器视觉等各大领域；后者作为全新的技术才刚刚开始，具备巨大的想象空间。

近日，亿欧EqualOcean采访了新氦类脑智能平台总经理江伟杰，试图探究：类脑技术究竟意义何在？其未来将如何发展？

算法世界的成本瓶颈

先用一组数据来感知计算机世界和人脑世界的差距：

曾排名世界第一的超级计算机天河一号，装有3．2万颗主CPU和4．8万个协处理器，其计算力相当于13亿人同时用计算器算上1000年，但耗电量惊人，满负荷下一天电费超30万，一年费用超1亿；

日本曾将算力排名世界第4的超级计算机与人脑作PK实验，结果出乎意料地显示，这台超级计算机在模拟1％人脑活动的时候就消耗了将近40分钟，而我们的大脑执行这样的工作只需要1秒钟；

人脑消耗的能量如果用电量来衡量的话，功率是25W，相比之下，标准计算机仅识别1000种不同的物体，就需要消耗250W的能量。

这些事实都指向一个问题：算法成本有多高？

聪明的算法模型固然提高了人们的工作效率，但要进一步发展以执行更复杂任务，将不可避免面临高功耗、低效率所带来的成本瓶颈。

计算机的世界里，这一切都源于“冯·诺依曼结构”。1946年，第一台通用计算机ENIAC诞生，在它27吨的庞大身躯里，CPU负责加工处理数据，内存负责存储。自此，存储单元和运算单元分离，成为计算机的基本架构。

但两相分离的产业格局，导致内存技术与处理器技术发展不同步。在过去的20多年中，处理器的性能以每年大约55％的速度快速提升，而内存性能的提升速度则只有每年10％左右。内存的存取速度严重滞后于处理器的计算速度，“内存墙瓶颈”导致高性能处理器难以发挥出应有的功效，对高性能计算形成极大制约。

但在人脑结构下，计算和存储发生在同一神经突触中，数以百万亿的神经元同时进行着存储和计算，让信息处理变得快速而高效。

怎样模仿人类神经系统工作原理，开发出快速、可靠、低耗的运算技术？类脑技术即由来于此。

低功耗、高智能的类脑技术

类脑技术采用了和传统计算机完全不同的架构，利用基于时序的脉冲神经网络结构，处理复杂的计算任务。江伟杰举了一个形象生动的例子，解释基于时序的脉冲编码和传统二进制编码的差别。

假设房间里装了智能摄像头，为了达到安防效果，它需要随时在线，即使房间里大部分时间空空荡荡，它也必须一帧一帧拍摄下去。

但脉冲结构是事件驱动的，类脑技术的神经单元只有在接收或发出尖峰信号时才处于活跃状态。这种结构下，系统只有在房间里有人闯入时才做出反应，若无事件发生，系统将保持闲置状态，这将大大缩减计算量。

除此之外，类脑的计算原理与计算机二进制亦不同。江伟杰介绍，计算机二进制的世界是非黑即白的，只有对错两种选择，但类脑的模拟计算世界不是简单的二元论。

类脑芯片元件模拟了神经元被流过突触的离子激活的工作原理，它通过交换梯度信号或权重信号激活，达到模拟人脑处理信息的目的。和人脑一样，类脑芯片擅长的不是“粗暴”的二进制计算方式，而是高进制的复杂运算，例如推理、识别。

“类脑模拟计算的密度比二进制大很多，但精度上有所欠缺。”江伟杰告诉亿欧。

“很多人谈到类脑技术，总是要把它定位成比人工智能更高级的存在，但这种态度我并不认同。”他直言，“人工智能在很多方面有非常独特的优越性，类脑技术和人工智能的关系，应该是互补而不是替代的关系。在技术应用中，我们的态度很简单，哪个好用就用哪个”。

举例来说，AlphaGo用精妙的算法打败世界冠军李世石，展示了人工智能的巨大潜力。在9＊9的棋盘上，规则是固定的，系统只需要大量数据作为输入，通过不断训练检查结果，再校对调整参数，即能得到最优拟合方程。

“但下棋不会是类脑技术所涉猎的领域。”江伟杰说，“类脑擅长的是推理，是在小样本、高噪声环境下解决问题。”

如果说人工智能长于应对大样本条件下的经典问题，那么类脑技术则是解决鲜有先例、不易总结的“疑难杂症”。在现实应用中，两种技术互为补充，让各行各业更“智能”。

类脑前沿应用

2013年，欧盟人脑旗舰计划发布，该项目如是表明类脑技术的重要性：“在未来10到20年内，谁要引领世界经济，谁就必须在这个领域领先。”

在此后的多年里，类脑技术在全球取得了飞速进展。

2014年，美国IBM开发出与人脑类似的TrueNorth系统。它模仿人类大脑结构，每颗芯片内置100万个模拟神经元和2．56亿个模拟神经突触，组成具有4800万个神经元的网络，智力水平抵得上一只小老鼠，而能耗仅为2．5瓦。

2019年7月，在美国国防部高级研究计划局电子复兴峰会上，英特尔隆重展示了其“Pohoiki Beach”芯片系统。它含有800多万神经元，在人工智能任务中执行速度比传统CPU快一千倍，能效提高一万倍，已能胜任触觉感知、假肢控制、玩桌足球等简单任务。

时隔半月后，清华大学类脑计算研究中心施路平团队发布“天机”芯片，登上《自然》（Nature）封面，实现了中国在芯片和人工智能两大领域《自然》论文零的突破。这款芯片包含了大约4万神经元和1000万突触，被搭载在自动行驶自行车上，能够实现目标探测和追踪、语音识别、避障、平衡控制、自主决策等多项功能。

“尽管芯片产业西方领先，但在类脑这一全新技术上，大家在同一起跑线上。”江伟杰说。

天机芯不仅是世界首款异构融合类脑芯片，也是首款既支持脉冲神经又支持人工神经网络的智能芯片。它融合了计算机科学和脑科学领域的技术优势，成为第六届世界互联网大会上15项世界互联网领先科技成果之一。

在类脑技术研发上，中国比肩西方，甚至走在了前列。而在行业应用上，江伟杰所在的新氦类脑智能平台，致力于为整个产业共享核心资源，孵化类脑技术的具体应用。

江伟杰向亿欧介绍了几个类脑技术的应用案例。

例如，某药企在产品销售过程中，经常发现有渠道利用规则漏洞作虚假交易，以骗取业绩提成。传统方法是请审计专家做风险提示，准确率大概在15％左右。后来药企诉诸AI技术，但当专家测试交易模型后，却发现结果的准确率仅达到5％，原因在于复杂的高噪声环境中，算法模型准确性大大降低。

而当类脑技术被用于检查虚假交易时，系统仅仅用最原始的个别交易记录，通过本地学习、推理演绎，便将风险提示命中率提高到60％左右，大大节省了人工成本。

再例如，某些大型工厂需要检查设备是否出现裂缝，由于数据量稀少，AI算法在小样本环境下近乎失效。但类脑系统利用推理方式，可以通过已有的模型去适应这些样本或小样本场景，很好地解决了这一问题。

“在垂直应用上，类脑技术还有很大的发挥空间。”江伟杰说道。目前，类脑技术在个别高噪声、小样本场景下已有尝试，对于经典人工智能算法表现好的场景，倒不见得有优势。

“我们不仅要懂技术，更要理解中国广阔的应用场景，理解社会环境。”当谈到未来，江伟杰如是展望，“我相信未来10年，中国类脑技术一定会取得大发展。”

相比于计算机“单纯”的零一世界，类脑的世界复杂、多样，充满了重重挑战。当前，无论在前沿技术研发，还是垂直行业应用上，中国都取得了卓越的进步。在制度不断完善、技术不断改进的未来，人脑读懂人脑，将不是梦想。

作者：黄依婷