本文系智能工作室（公众号 smartman163）出品。聚焦AI，读懂下一个大时代！
【智能讯 4月19日消息】昨日下午，英特尔在北京举行主题为“数造未来，IN无止境”的2018媒体“纷享会”活动。会后，英特尔中国研究院院长宋继强接受了智能等媒体的采访，透露了英特尔在神经拟态芯片和量子芯片上的研发进展，同时谈到了AI芯片的应用与未来发展。
以下为宋继强受访实录（经智能整理）：
问：什么是神经拟态计算，英特尔的神经拟态芯片进展如何？
宋继强：神经拟态计算是一种新的计算模式。传统方法是基于流程的计算方式，而深度学习是两端都已经有数据可以用，一端是原始的采集数据，一端是人标定的数据，通过深度学习这种方法学出来的中间过程，因为这个中间过程太复杂，人没有办法描述。拟态这种真正的去模拟人的神经元的构造和连接方式，就是在芯片里面放了很多神经元，这个神经元有树突、轴突，中间是靠脉冲神经网络 （SNN-Spiking Neuron Networks)去推动，所以不光是看脉冲有多强，还跟到达的时间有关系，其实是在看一个脉冲的序列。
大脑不同的区域有不同的功能，但互相之间是有连接，连接带来的好处就是它们可以形成一些相关性，也就是说如果在视觉看到的东西，可以在声音同样有相应的反应，或者触觉上有相关反应。比如看一个橙子，既有视觉的，也有味道的，等等不同的特点，这些特点关联起来，我从任何一个维度都可以认为它是一个橙子。这些最适合放在神经拟态里做实验，因为这样可以把不同的区域都放在一个芯片里做学习，而且这个学习还可以支持不同的学习模式，刚才我们讲到了有监督式的学习、半监督的、无监督的，纯粹是让它找关联，还有强化学习，都可以在神经元上进行学习。也就是说这些不同的区域学习完之后，实际上还可以通过之间的互联产生相应的关联效应，也就是模仿了人的自然学习的模式。同时，英特尔现在给的神经拟态芯片最大的特点，因为我们知道其他的公司包括大学也做神经拟态芯片，也有相应的产品级的东西或者是实验芯片出来。这次我们的特点是，我们给的芯片在同一个芯片上可以支持你去自主学习，也就是Self-Learning，可以让一个模型在这上面自己学习，改变它的参数甚至互联的方式，不需要一个专门的方式，比如在一个系统里做训练，训练好一个模型放在这个芯片上以后，这个芯片本身就不能再去改它了，这中叫不能自主学习的，我们这种是能自主学习，这是一个最大的突破。
这个芯片目前官方的名称叫Loihi，去年底在美国已经流片测试成功，能够正常的工作，现在正在在美国、欧洲跟一些有神经拟态计算研究比较领先的学校、公司，还有一些应用放在上面试，展开一些合作，去看到底哪些应用在上面能够很好的发挥效果，比现在传统的一些学习方式或者是深度学习方式都能产生更大的价值。
最终来讲，不是说神经拟态芯片要取代现在的深度学习，其实是互相促进的，有深度学习擅长的地方有感知，识别视觉里的物体，做语音识别，这都是深度学习擅长的，我们知道也有深度学习不擅长的，那就是神经拟态芯片可以发挥作用，而且像人脑一样功耗极低。这是一个非常值得关注的进展。
问：英特尔在量子计算研究方面有什么样的进展？
宋继强：量子计算，同样整个业界有很多做量子计算的研究，包括做计算机模拟的、做纯理论的，也有做系统的，也有像我们这样做芯片的。
英特尔走的是以后能够批量化生产的工程化的量子芯片道路，所以我们选择投资和实验全部都是考虑到以后可以在已知的工艺可能性下，可以大规模生产制造并保持一定的良率，所以我们才会去朝着这个方向探索。
现在我们探索的两条路径，一条是超导量子位这种芯片，最多到49个量子位，也可以支持实验性的研究。另外一种是比较流行，但是它有可能是在现在硅生产的工艺上做的，叫硅电子自旋的方式，这种超低温能够产生纠缠的量子位。这种方式也在英特尔300毫米，也就是12英寸晶圆的工艺上能够流线生产了。英特尔推进这些都是为了以后大规模批量化生产所做的研究。
问：英特尔在终端AI专用芯片是怎么布局的，优势是什么？
宋继强：终端非常重要，因为在未来2020年500亿设备接入互联网，终端里面就包含现在的手机这些已经看到的，未来的终端可能有小型的，也有大型的。大型的比如车领域的终端芯片，可以请Mobileye的同事讲一下。在前端，有一些基于视觉发挥作用的设备，比如无人机、机器人、智能摄像头，这些英特尔目前是用Movidius这个芯片，它是ASIC芯片去支持。它的特点是本身功耗低，能够以ASIC加速的方式去支持视觉，语音也是可以的，有视觉加速，同时支持深度学习的加速。我们目前已经有能够和市场上其他公司类似的，比如说性能和功耗差不多的产品，而且我们的演进速度很快。这块的性能就比前一代要提升了差不多10倍，而且还有一个好处就是大家可以用它组合起来和其他的芯片，以异构的方式提供加速，不是说全靠它自己，而是它可以去结合英特尔的低功耗的CPU，以异构的方式进行加速。
所以我们在终端这一侧是以多种形态，有CPU，有ASIC方式的加速芯片，也可以用FPGA，取决于你的终端有什么样的功耗、性能、尺寸，甚至价格的需求。因为FPGA也有可以加速的地方，也可以用在很靠前的终端，所以英特尔提供了好几种方案供大家选择。
问：AI芯片一定会比传统芯片的性能和性价比都高吗？
宋继强：AI芯片大分可以分成两类，一类是用现有的芯片的架构，比如CPU、GPU、FPGA，去加速AI算法，可以叫AI的加速芯片。另外一类，这个芯片本身具有一些智能的能力，就像我们现在讲的神经拟态芯片，它模拟了人的大脑，所以自己可以不需要全靠算法，自己有一些学习的能力去演进。
目前，如果用在产业里，大部分都是AI加速芯片，都是在用以前传统的，原来为通用计算、通讯加速的，或者是为转换工作负载比较方便的FPGA去加速某些特定的AI算法。
如果说对这些芯片比较一下性价比，那我首先要说先确定场景，再去比较性价比。在不确定场景之前比较性价比是没有意义的，所以如果在确定了场景，如果我是为了一个在道路上使用的监控摄像头、前端摄像头，希望它在什么体积功耗下能够完成在0.1秒之内监测出这里面的车牌、行人的脸甚至有没有人在这儿打架，这些都是场景性的监测，它对芯片能力就提出了确切要求，我们可以比较有哪些厂商可以符合这样的要求。
目前来讲整个业界没有人用这样的规则去比较AI芯片的能力，可能主要比较的是什么样的功耗下有多少的Tops，但是这些指标未必能转换成能做多少事。所以我建议做芯片比较的时候放到场景里，比如想看安防监控，英特尔提供的Movidius前端芯片，包括他们不是靠单芯片或者多芯片组合的方案来满足要求，还有FPGA配合他完成在网络摄像机，就是多个摄像头介入的边缘设备，这里面都达到了很高的性价比。所以我认为英特尔是在集中不同应用领域都有很好的解决方案。
问：在AI领域，包括软硬件、算法，以及整体生态发展方面，哪个环节比较薄弱，为什么？
宋继强：AI是一个技术，但是任何提到自能的事至少是一个系统，或者说是一个设备能完成一件事情。一个是技术，一个是任务。这就涉及到这个任务是小任务，还是大任务。比如小任务在安防里面完成监控某一个区域，或者自控查找嫌疑人，这是小任务。大的任务就像无人驾驶，还有无人机部署到农业场所，智能农业还有工业的物联网，这都是大的领域，包括智能机器人真的服务到千家万户了，这都是大系统。大系统里面最需要优先考虑的就是底下这些数据怎么互联互通，怎么保护隐私、安全，因为这些数据都是从端到云不同的流动，这是一个成体系建设。
为了达成最后这个大任务，怎么提前做产业化的布局，在政策法规等领域做布局。所以可以举两个例子，比如中国推“智能制造2025”，这就涉及到原来传统的企业、生产商在2.5、3.0阶段完成了智能化和自动化，但是它的网并没有和外面的互联网对接，我们知道“智能制造2025”的目标是让生产东西跟外边的需求是挂接的，实现柔性制造，这两个挂接之间涉及到数据的流动，数据的流动到底谁信谁的，谁也不想把自己的数据拿过去，或者放不放公有云的问题，这需要有相应的去做协调，这种协调的机构肯定是中立的，或者是法规，或者是第三方，或者是政府。这是一个例子，不是说AI这一个技术就能撬动的。
再讲一个例子，无人驾驶里面用了AI，也用了芯片，没错，但是要想变成一个产业而不是一个科学实验，那就需要全产业一起去想，怎么把这套产业运转起来的各种安全性的问题、保险责任认定的问题、赔付的问题，大家认知的问题都要解决。所以Mobileye在推动RSS，这是从产业上看怎么提前布局和去想，这个技术一旦应用起来会带来一连串的社会问题，需要政府和相关机构一起来做协调。（小羿）
关注智能公众号（smartman163），为你解读AI领域大公司大事件，新观点新应用。
