AI进步：模仿决策

杀手机器人的想法，能够自动制作自己的致命决策，是在詹姆斯卡梅伦1984膜中定义了终结者的东西。

幸运的是，对于人类来说，自治杀手机器人尚未存在。尽管技术巨大进展，但真正的自治机器人仍然存在于科幻小说领域。

在2020年底，驱动自主车辆倡议的兴奋开始衰落。优步在2020年底销售了自动驾驶型宣言，而自动车辆的监管框架远非清晰，技术仍然是一个主要的绊脚石。

在网络边缘操作的机器 - 无论是如何控制工业过程的汽车或机器人或智能传感器 - 无法依赖于后端计算进行实时决策。网络不可靠，只有几毫秒的延迟可能意味着近乎未命中的差异和灾难性事故之间的区别。

专家通常接受对实时决策的边缘计算的需要，但由于这些决策从简单的二进制“是”或“否”响应到一些智能决策的响应，许多人认为目前的技术是不合适的。

原因不仅仅是因为高级数据模型不能充分模仿真实世界的情况，而且因为机器学习的方法非常脆弱，缺乏自然界中智力的适应性。

2020年12月，在Virtual Intel Labs Day活动期间，英特尔的神经形态计算实验室主任Mike Davies讨论了为什么他认为现有的计算方法需要重新思考。“大脑真的是无与伦比的计算设备，”他说。

戴维斯说：戴维斯说：“将其与鹦鹉鹦鹉相比，一只带有微小大脑的鸟，消耗大约50mW [毫瓦]的力量。”

与无人机所需的40克加工能力相比，鸟类的大脑重量仅2.2克。“在这种微薄的电力预算上，鹦鹉可以飞为22英里/小时，牧草食物，并与其他鹦鹉沟通，”他说。“他们甚至可以学习一个小词汇的人类词汇。定量地，自然优于所有尺寸三对一对一的计算机。“

试图优于大脑，一直是计算机的目标，但对于英特尔的神经形态计算实验室的戴维斯和研究团队，人工智能的巨大作品在某种程度上缺少这一点。“今天的计算机架构没有针对这种问题进行优化，”他说。“大脑本质上已被优化超过数百万年。”

根据戴维斯的说法，虽然深度学习是一种有价值的技术来改变智能边缘设备的世界，但它是一个有限的工具。“它解决了一些类型的问题，但深度学习只能捕获自然大脑的行为的一小部分。”

因此，虽然深入学习可以用来使赛车无人机能够识别出门来飞过，但它学习这项任务的方式并不自然。“CPU高度优化，以批处理模式处理数据，”他说。

在深度学习中，为了做出决定，CPU需要处理可以从磁盘和内存芯片读取的数据样本集，以匹配它已经存储的东西的模式，“戴维斯说。“不仅是批量组织的数据，而且还需要均匀分布。这不是如何在必须实时导航的生物中编码数据。“

大脑通过样本来处理数据样本，而不是批量模式。但它也需要适应涉及记忆的。“过去历史上有一个目录，影响大脑和自适应反馈循环，”戴维斯说。

英特尔正在探索如何从晶体管提升重新思考计算机架构，模糊CPU和内存之间的区别。其目标是拥有一台机器，该机器在数百万简单的处理单元中并行地处理数据，镜像神经元在生物脑中的作用。

2017年，它开发了一种基于14nm（纳米）工艺技术制造的专用架构的128核设计。洛基芯片包括130,000个神经元，每个神经元可以与成千上万的其他人沟通。根据英特尔，开发人员可以通过嵌入在128个核中的每一个中的学习引擎以编程方式访问和操纵片上资源。

当被问及神经形态计算的应用领域时，戴维斯表示它可以解决与量子计算中类似的问题。但是，虽然量子计算可能仍然是一种技术，其最终将作为云端的数据中心计算的一部分，其具有在边缘计算设备中作为协处理器单元开发神经形态计算的愿望。在时间尺度方面，戴维斯预计将在五年内运送设备。

就真实世界而言，英特尔实验室和康奈尔大学的研究人员已经证明了罗希如何基于哺乳动物嗅灯泡的建筑学来学习和识别外面的危险化学品，这为大脑提供了嗅觉。

对于戴维斯和其他神经科学研究人员来说，最大的绊脚石不是硬件，而是通过让程序员改变一个70岁的传统编程方式，了解如何有效地编制平行的神经计算机。

“我们是焦点开发商和社区，”他说。“困难的部分正在重新思考，当有数以千计的互动神经元时，这意味着编程。”