首页 > 微访谈 > 正文

神经形态计算,更好的边缘AI解决方案?
2020-02-29 09:53:51   来源:麦姆斯咨询   评论:0   点击:

BrainChip是神经形态计算领域有一定资历的领先厂商。Yole技术与市场分析师Yohann Tschudi博士以及成像领域首席分析师Pierre Cambou,近日一起采访了BrainChip首席运营官Roger Levinson。

微访谈:BrainChip首席运营官Roger Levinson

神经形态计算,更好的边缘AI解决方案?

深度学习是一项革命性的伟大技术。英特尔(Intel)和英伟达(NVIDIA)等厂商正在积极满足深度学习提出的计算需求,而许多初创公司则在提供改进计算的新方案。他们之中的大部分都采用了“冯·诺依曼”计算架构,但是,一些新兴的计算厂商提出要摆脱当前的人工智能(AI)限制。神经形态公司就是倡导新AI模式的先行者之一。

据麦姆斯咨询介绍,法国著名研究机构Yole在其最新发布的《神经传感与计算-2019版》报告中估计,神经形态计算市场规模将从2024年的6900万美元,增长到2029年的50亿美元,而到了2034年,将进一步增长至213亿美元。智能手机、机器人技术以及智慧家居将率先受益。

2024年、2029年和2034年按市场细分的神经传感与计算器件销售预测

2024年、2029年和2034年按市场细分的神经传感与计算器件销售预测

资料来源:《神经传感与计算-2019版》

BrainChip是神经形态计算领域有一定资历的领先厂商。Yole技术与市场分析师Yohann Tschudi博士以及成像领域首席分析师Pierre Cambou,近日一起采访了BrainChip首席运营官Roger Levinson。

Yohann Tschudi(以下简称YT):您好!请您介绍一下BrainChip及其业务。

Roger Levinson(以下简称RL):BrainChip是一家全球化的科技公司,已经开发出了一款革命性的神经网络处理器,能够以现有AI技术无法实现的方式将AI引入“边缘”。该解决方案具有高性能、小尺寸和超低功耗的特点,并能提供广泛的边缘功能,包括本地训练、学习和推理。

在市场方面,我们公司销售一种基于事件的神经网络处理器,其灵感来自人脑的尖峰特性,并以行业标准的数字处理实现该网络处理器。通过模仿大脑处理,BrainChip开创了一种称为Akida的事件域神经网络,兼具可扩展性和灵活性,可以满足边缘设备的需求。这款事件域处理器支持标准的卷积神经网络(CNN)和尖峰神经网络(SNN)。

边缘设备的特定需求包括,直接在采集点分析传感器输入,而不是将采集到的数据传输到云端或数据中心。Akida旨在为视觉、音频和智能换能器应用提供完整的超低功耗AI边缘网络。这种减少系统延时的方案,可以提供更快的响应速度,以及更节能的系统,降低基于云的数据中心的碳排放。

YT:您能简单概括一下什么是神经形态计算吗?它在哪些方面与“冯·诺依曼”计算架构有显著差异?

RL:神经形态计算基于大脑如何利用神经元、突触和称为“尖峰”的数据格式实际处理信息。尖峰神经元能够比使用浮点值的“感知器”式神经元模型更好地模仿大脑活动,后者是AI行业目前的神经元参考模型。

所有的神经网络都包含对“神经细胞”及其之间加权连接的某种形式的模拟或仿真。在神经形态学方法中,我们有尖峰神经元以及神经细胞之间具有记忆的连接(我们称之为突触)。当输入值的总和超过阈值时,神经元执行突触输入的空间和时间积分,并产生一个或一系列尖峰。

在大脑中,大多数信息都以尖峰或一系列尖峰的形式发送。神经元之间也有直接的电连接。尖峰是表明某一事件发生的短暂能量爆发。当收到尖峰信号时,存储在突触中的值会释放。数字尖峰是某一事件在给定时间触发的值。此事件可以是物理世界中的任何事件,例如,图像中物体边缘的明暗过渡。尖峰包含有关其空间分布、强度和发生时间的信息。

在生物神经元中,突触权重值是一个模拟电位,这些电位的集合导致神经细胞的膜电位增加或减少。生物和数字神经元尖峰始终是二进制的,即有尖峰或者没有尖峰。在Akida的数字神经元仿真中,所有这些电位都被模拟为整数值。不过,时间方面并没有丢失。基于事件的处理是神经效率的重要组成部分,尖峰时间是其学习机制的核心。

冯·诺伊曼计算架构和神经形态计算之间的主要区别在于,前者基本上是一个遵循分析规则且时间没有影响的数学模型。尖峰概念中时间的引入,以及在连接(即突触)中使用记忆,使神经形态学方法成为一种新的模式,打破了目前冯·诺依曼架构的局限性。

Akida神经形态片上系统(NSoC)代表了一种新型器件,可以加速边缘和服务器/云应用的尖峰神经网络

BrainChip是神经形态计算领域的领先供应商。Akida神经形态片上系统(NSoC)代表了一种新型器件,可以加速边缘和服务器/云应用的尖峰神经网络。这些尖峰神经网络通过使用Akida开发环境创建和训练。

YT:你们目前提供哪些软硬件产品,针对哪些应用?

RL:我们既提供完全集成的Akida SoC硅器件,也提供Akida IP,以集成到ASIC等嵌入式解决方案中。Akida平台包含构建单个芯片或嵌入式边缘AI所需要的一切。

Akida NSoC硅ASIC包括运行整个神经网络的神经系统,而无需微处理器或外部存储器以及用于芯片管理和系统支持的通用微处理器。它还可以通过片上PCIe接口或USB3接口充当主计算机的协处理器。它提供I3S和I2C接口用于传感器数据输入。Akida片上处理器可用于独立模式下的传感数据预处理,或用于创建其他学习方法。

该芯片可以通过LPDDR4接口与外部DRAM进行扩展。SPI Flash接口可用于加载ARM处理器的OS和程序。权重和重配置详细信息可以存储在闪存中以初始化神经网络。类似地,Akida IP是一种可配置的神经网络和数据到事件的转换器,可通过标准AXI总线直接与ASIC上的其他模块接口。

神经形态技术生态系统发展时间线

神经形态技术生态系统发展时间线

YT:是什么让你们在竞争中脱颖而出?你们的产品已经上市了吗?

RL:我们面向使用CNN和SNN的各种边缘应用,包括智能相机解决方案,智能家居设备和电器,辅助驾驶应用和自动驾驶应用(例如汽车、飞机、轮船和无人机),机器人技术,工业监控以及工业物联网等。

由于我们提供的超低功耗解决方案能够执行从uW到mW范围内的复杂AI操作,并能通过片上边缘学习功能提供自主操作和个性化设置,因而与相关竞争对手比,我们具有显著的差异化优势。

我们的IP现已上市,我们的NSoC计划于2020年上半年上市。

YT:在Yole看来,我们关注到业界竞相在更小的芯片上排布更多晶体管,用更强大的计算来支持更大的神经网络,是否有理由相信这种方案将会碰壁,特别是对于边缘设备。

RL:边缘设备的主要挑战是由于各种原因以及自主能力而严重限制的功率预算。更多的晶体管数量解决不了这些问题。答案在于更高效的计算架构,以及无需大量数据集和深度学习周期即可进行学习的能力。我们的Akida是BrainChip系列产品中的第一款,可以直接解决上述问题。

YT:在您看来,神经形态芯片何时批量生产?这项技术可以应用于智能手机吗?

RL:根据当前的客户设计进展和市场需求,预计到2021年,基于神经形态计算原理的下一代AI处理器将迎来大规模应用。

智能手机是一种独特的产品用例,其空间限制很严苛,可包含的器件数量也受到严格限制。有基于此,神经形态计算最有可能作为集成IP或通过多芯片封装解决方案而嵌入到智能手机的应用处理器中。

YT:目前功耗在汽车中还不是真正的中心问题,您认为神经形态计算是否会成为汽车中的下一代计算,为什么?

RL:神经形态计算肯定会在汽车解决方案中发挥作用,在汽车应用中,智能传感器的响应延时以毫秒为单位,需要自主行为以适应不同的环境条件,而下一代解决方案将需要进行预测分析。尽管功耗在汽车应用中不是问题,但是由于汽车热管理需求,功率预算会受限,这就推动了对更高效解决方案的需求。

2019年神经计算市场竞争格局

2019年神经计算市场竞争格局

YT:目前,数据中心领域的厂商对“暴力计算”以外的硬件类型或场景还没有兴趣。您能解释为什么吗?然而,几年后会不会成为它们关注的焦点?

RL:目前阶段,暴力计算表现很好,并且以此为目的的功耗也不是问题。

这种趋势将持续一段时间,直到边缘计算的优势反渗透到数据中心。此外,随着暴力深度学习以外的其他学习方法逐渐成熟,这些方法将显著改善训练周期和性能,并推动向神经形态计算的转变。暴力计算虽然到目前来说很有效,但是并没有带来真正的智能。AI需要神经形态计算来提供真正的智能。

YT:您还有哪些需要补充的内容吗?

RL:这是AI领域激动人心的时刻。我们才刚刚开始看到AI能够提供的真正优势,对于BrainChip,我们很兴奋能够引领下一代AI解决方案。

延伸阅读:

《边缘AI让MEMS传感器更快、更个性化、更聪明》

《消费类人工智能计算技术及市场趋势-2019版》

《神经传感与计算-2019版》

《神经技术和脑机接口-2018版》

《医疗诊断领域的人工智能(AI)专利分析-2019版》

《数据中心应用的高端CPU和GPU-2020版》  

相关热词搜索:边缘计算 神经计算 神经网络 处理器 传感器

上一篇:亚天光电:用光纤感知世界,让安全无处不在
下一篇:最后一页