芯東西（公眾號：aichip001）
編譯 | ?高歌
編輯 | ?云鵬
芯東西1月21日消息，EE Times回顧了第三屆IBM IEEE CAS/EDS人工智能計算研討會的相關內容。研討會主題為“從原子到應用（From Atoms to Applications）”，覆蓋了AI與微生物、原子級存儲材料、逆向工程視覺智能、遷移學習、邊緣AI、神經系統AI、量子電路與光子計算等內容。
本次研討會由IBM研究部（IBM Research）、美國電氣和電子工程師協會（IEEE）下的電路與系統協會（Circuits and Systems Society）和電子設備協會（Electron Devices Society）一同舉辦。
一、微生物群落解決新冠病毒流行？
加州大學圣地亞哥分校（University of California San Diego）的首席顧問羅布·奈特（Rob Knight）談到了“使用人工智能來了解人類微生物群及其在COVID-19中的作用”。
他在研究中發現人類微生物群落擁有極其復雜的基因和細胞集合，其數量甚至超過人類本身的基因和細胞，這一發現正在重新定義人類的概念。奈特表示，處理如此復雜的數據需要人工智能技術。
奈特強調了該大學和IBM之間名為“人工智能帶來健康生活”的合作項目，介紹了微生物群落在醫療健康技術中的應用。
這一合作項目旨在了解人類微生物群落，并發現它如何隨著年齡和疾病而變化。其目的是通過制定飲食、生活方式和藥物治療策略等方式，使人類能夠最大程度地保持健康。
為應對新冠病毒大流行，奈特教授及其團隊目前正在研究微生物群落在易感人群（包括老年人和具有特定微生物組相關疾病的人群）患病時的作用。這項研究將普遍適用于其他疾病，并將有助于銜接傳染病和慢性疾病領域的研究。
二、原子級存儲實現憶阻器
一些研究人員正在研究可以應用于人工智能設備中的原子材料。在一場題為“原子級存儲：從單一缺陷到模擬開關和計算（Atomic Memory: From Single Defects to Analog Switches and Computing）”的演講中，德克薩斯大學奧斯汀分校的Deji Akinwande教授專注于超薄二維納米材料中的存儲效應。
該教授表示，這一發現可以為電子工程技術的進步與發展提供巨大的幫助。基于二維材料的非易失性存儲器件目前有一些缺陷，但也是一個快速發展的領域。
Akinwande的發言突出了其團隊在單層存儲器（原子電阻）方面的開創性工作，這將有利于零功率器件、非易失性RF開關和神經擬態計算中憶阻等技術的實現。
三、人工智能模擬人腦表現良好
人腦和認知科學的研究人員正致力于研究逆向工程人類思維及其智能行為。該研究領域還處于起步階段，正向工程方法的目標是在人工系統中模擬人類智能。
James J. DiCarlo是麻省理工學院智力探索項目的聯合主管，也是麻省理工學院人腦研究所的研究員，他就這項工作的一個方面發表了一篇論文《逆向工程視覺智能（Reverse Engineering Visual Intelligence）》。
DiCarlo預測，通過將人腦和認知科學家的努力與模擬智能行為的正向工程緊密結合，或許可以解決人類智能逆向工程的挑戰。
如果這種方法能夠發現合適的神經網絡模型，這些模型不僅將拓展我們對復雜人腦系統的理解，而且將形成下一代計算和人腦接口技術的基礎。
講座的重點是視覺對象的分類和檢測。DiCarlo指出，大腦、認知和計算機科學的工作融合在一起，形成了能夠支持這類任務的深度神經網絡（DNN）。
這些深度學習網絡不僅在許多圖像處理上能達到人類的表現，而且能根據靈長類動物視覺系統的內部工作模式進行建模，并在很大程度上可解釋和預測。
然而，目前靈長類視覺系統的表現仍然優于當代人工深度神經網絡，這表明在人腦和認知科學領域還有更多的內容值得科學家們研究。
四、遷移學習解決大數量級預訓練任務
Facebook人工智能研究中心的研究總監勞倫斯·范德馬滕（Laurens van der Maaten）發表了名為《弱監督學習預訓練的局限性（Exploring the Limits of Weakly Supervised Pretraining）》的演講。
他指出，用于各種任務的最先進視覺感知模型都依賴于監督預訓練（supervised pretraining）。按照ImageNet分類，這些模型事實上的預訓練任務現在已經有將近10年的歷史了，其預訓練任務的數量級比較小。
所以在數量級較大的數據集很難進行收集與整理的情況下，我們對使用大幾個數量級的數據集進行預訓練仍然比較陌生。
在范德馬滕的演講中，也討論了一項關于遷移學習的研究。該研究著眼于訓練用來預測數十億張社交媒體圖片上的話題標簽的大型卷積網絡（large convolutional networks）。
迄今為止，該研究取得了比較好的成績，通過對數個圖像分類和目標檢測任務進行了改進，ImageNet-1k單一因素驗證準確度達到85.4%。
五、邊緣AI如何保障用戶安全？
邊緣AI是指在硬件設備上本地處理的AI算法,可以在沒有網絡連接的情況下處理數據。
專注于計算機安全硬件服務的Borsetta公司首席執行官帕梅拉?諾頓（Pamela Norton）以《用可靠的智能芯片保障邊緣AI的未來（Securing the Future of AI on the Edge with Intelligent Trusted Chips）》為主題，拉開了研討會第二天的序幕。
諾頓提出了一個實現這一目標的框架，該框架將為這個新興領域的所有參與者創造機會。他認為通過將智能芯片遷移到邊緣的同時，融合人工智能并且開發新的計算處理方式可以保障用戶安全與隱私。
對于神經可塑性的研究，尤其是研究生物神經系統改變的能力，可以為人工智能系統設計提供許多新的思路。然而，生物神經系統與人工智能系統設計的學科交融還處于起步階段，因此在設計能夠支持異質可塑性的神經擬態系統還存有關鍵的知識鴻溝。
六、德州大學新學習算法仿照大腦皮層構建
矩陣人工智能聯盟（Matrix AI Consortium）的主任、德州大學圣安東尼分校的教授迪瑞莎·庫迪蒂普蒂（Dhireesha Kudithipudi）在《神經啟發的人工智能：緊湊和彈性的邊緣模型（Neuro-Inspired AI: Compact and resilience for the Edge）》中談到了這個話題。
她介紹了最近由德州大學圣安東尼分校的神經擬態人工智能實驗室（NAUI）開發的機內學習系統（in-silico learning system）。
基于CMOS/憶阻器結構，該系統模擬了一種仿生序列記憶算法，其靈感來自于具有完整結構和內在可塑性機制的大腦皮層。
該系統的合成突觸表示支持緊湊型存儲的動態突觸通路，使用憶阻器的物理行為模擬突觸通路的結構可塑性，并通過可自定義的訓練方案實現突觸調控。
七、IBM量子電路已實現較高保真度
在過去的幾年里，量子計算已經超越了實驗室環境，并通過云訪問技術得到了加速發展。
這種新的計算模式使用了原子操縱信息所遵循的物理規則。在這個層面上，量子計算機執行量子電路，就像計算機執行邏輯電路一樣，但通過使用量子態的疊加、糾纏和干擾等物理現象來執行數學計算，即使是最先進的超級計算機也做不到。
IBM研究員、IBM Quantum副總裁杰伊·甘貝塔（Jay Gambetta）在題為《量子電路和云量子技術的未來（Quantum Circuits and the Future of Quantum Technology in the Cloud）》的演講中介紹了量子計算發展路線圖。
他概述了IBM提高超導量子比特系統設備性能的努力，表明其目的是生產出更高保真度的量子電路，并解釋了IBM是如何將電路計算與量子應用聯系起來。
杰伊提出相應的前沿研究、系統和軟件正在擴展學科前沿，并得到了不斷增長的量子計算科研人員支持。
八、光子計算加速高計算量人工智能模型
研討會的最后一場演講著眼于《光子計算解鎖革命性的人工智能（Unlocking Transformative AI with Photonic Computing）》。
最近的人工智能模型，如OpenAI的GPT-3自然語言處理（NLP），創造了一系列過去10年未有的機會。但是使用這些模型需要大量的計算能力。
法國初創公司LightOn的首席技術官和聯合創始人，同時也是巴黎Diderot大學教授的Laurent Daudet。他介紹了該公司的未來人工智能硬件如何應對一些最艱難的計算挑戰，并描述了LightOn的光學處理單元（OPUs）是如何無縫集成到混合光子學/硅管道，加速先進的機器學習算法。
九、異構計算成必然趨勢
研討會最后就“未來哪種人工智能計算方式將會占據主導地位？“進行了討論，討論由IBM T.J. Watson研究中心的經理和研究員Arvind Kumar主持。
討論小組邀請了安全、模擬人工智能、光子計算、腦科學和量子計算等領域的專家從不同方面進行探討。
一開始專家們認為各種方法各有好處，最后也一致同意將來很可能沒有哪一種方法會占主導地位，因此需要在各種AI計算方法之間進行安全轉換的異構計算。
結語：AI加速方法千帆競發
本次研討會由IBM與IEEE CAS/EDS聯合主辦，體現了IBM等企業高校在人工智能、云計算、量子計算和安全等領域的最新研究進展。據統計IBM在2020年共獲得9130項美國專利，連續第28年蟬聯美國專利榜冠軍。
這次的研討匯聚了很多在前沿研究領域有所成就的夢想家、科學家和創新者，用兩天的研討會向我們展現示了人工智能未來的挑戰和研究方向，也展現了這些科研人員的努力與追求。
來源：EE Times，IBM
