初创公司即融资上亿，这个“人造超级大脑”赛道为什么不是噱头？(3)

这种以芯片优先的思路，最大好处是可以率先实现类脑的有效性，发挥它的低功耗优点。可以看到，目前这些产品已经大多落地于物联网、边缘计算等场景。 不过，这种思路也有它的局限性。我们知道，市面上的每一种产品实际上都是工程落地的问题。 但是在工程落地之前，要先把它最根本的物理原理理解清楚，变成算法，然后再去寻找最合适的工程方法，去做芯片，把它变成产品落地。 也就是说，芯片其实是为算法服务的。于是乎产业界出现了另一种声音：

如果连一个有效的算法都没有，相关的硬件和硬件加速又从何谈起呢？ 这也恰好是 第二种技术路线：以算法优先 ，然后再以算法定义芯片。 事实上，这种方式并不陌生，早在人工智能浪潮开始时，就有一波AI公司走的这条路径，比如旷视、地平线、商汤等。 因为用“算法定义硬件”，往往可以实现芯片性能的最大化。 像深度学习加速器，就是“算法定义硬件”的典型，当传统的芯片hold不住越来越快的新算法时，我们就通过优化算法来获得计算资源需求和内存需求更小的新模型，让芯片得以“适应”。 这种优势延伸到类脑领域，可以让开发出来的类脑算法运行在普通的芯片架构上，让传统芯片也能拥有此前不具备的能力。 因此，也有一些企业选择了这条路。 优智创芯，就是当前代表。 这家公司主要解决的是深度学习中的不可解释性问题，自研了 基于SNN的可解释因果学习算法系统 （CLAS Causal Learning Algorithm System） 。 该系统下的因果学习算法最大的特点就是像人脑一样，在学习权值的调节过程中，会根据因果关系去决定权值该增加还是减少—— 从而做到并非单纯地去模仿数据，而是去理解数据产生背后的具体过程是什么样的。 当然，最后还需要利用强化学习去加强每个因果过程 （即前后神经元之间的连接关系） 。 在此，杨旭博士解释道，通过模仿数据找规律的方式就是现在ANN的工作方式，这种网络对数据样本质量的要求非常高，而后者，在SNN上采取因果学习的方法，就没有这种要求了，甚至可能只需 小样本 就可以做到智能通用。 “就像人类认猫认狗，我们只需要认识路边的几只就知道狗长什么样，不需要把全世界的都看一遍。” 对于因果学习的合理性，何虎教授则表示， 我们这个世界本身就是一套因果系统 ，人类文明可以说就是靠着不断去问为什么而往前发展的。就像学生，要真正学会解一道数学题，靠不求甚解地背过程是不可能的，还是需要知道每一步都是如何推理出来，即每一步的因果关系。 那么因果学习系统能带来的最大好处是什么呢？ 是 决策 ，何虎教授表示。 而优智创芯开发的这套因果学习算法一开始就瞄准的正是深度学习中的 非完美信息决策问题 （以自动驾驶为例，可能会出现的非完美信息就包括物体遮挡，道路交通标志不完整、不准确等情况） 。 因此，针对该类问题的经典场景之一——打扑克，该公司实现了首个基于SNN的斗地主AI—— “智玩” 。 最终，“智玩”通过了107个人类个体样本不严谨图灵测试，拟人化程度超过80%，再经过人类个体样本训练，个性化程度达到了85%，胜率最高做到了49%，实现了“像人一样玩游戏”的目标。 除了“智玩”机器人，优智创芯还利用其自研的CLAS因果学习算法系统设计了类脑芯片。 其中，旗舰类脑芯片 “思辨1号” 对标SpiNNaker，采用28nm工艺，主频为2 GHz，支持RISC-V Vector 1.0指令集，同时支持AI加速 （算力可达4TOPS） 和类脑计算 （SNN因果学习算法） ，单芯片同时最大可实现100万个神经元运算的同时，功耗不高于2W，性能可以与英特尔Loihi2媲美。 除此之外，优智创芯还构建出了基于CLAS因果学习算法系统和类脑芯片组成的整体解方案—— “硅脑”全自主无人系统平台 。 基于功耗小、成本低、具有可解释性以及可以自主灵活决策的特点，该平台聚焦在无人机、无人驾驶、机器人的应用，可以扩展到AIGC、元宇宙、脑科学研究等领域。 由该平台衍生出来的K50/K51型SFS全自主无人飞行系统 （类脑计算盒子） 直接挂载在无人机上即能够实现未知地域且离线状态下的全自主飞行任务，可以用于电力巡线、海岸、植被、轨道交通、矿山、消防等多场景全自主无人飞行巡查，也可用于军事领域的武器突防等。 以及衍生出来的C60型SDS全自主无人驾驶系统 （类脑计算盒子） ，正在与多家车企合作验证，相信不久的将来，就会出现正真意义上的L4+级别无人驾驶汽车在城市中自由穿梭。