時至今日,「神經形態」(neuromorphic)途徑仍然被「束之高閣」。Yole Développement成像產業首席分析師Pierre Cambou解釋說:「許多人預言神經形態的崛起過程就像深度學習技術曾經被錯誤放棄一樣,一直到後來才終於重新獲得市場重視。」

從神經形態和深度學習二者之間的許多類似之處來看,Cambou認為這種典範轉移可望很快地出現。

幾年前,妨礙深度神經網路(DNN)途徑發揮最佳性能的最大障礙是缺少合適的硬體,無法持續支援DNN創新軟體的進展。如今,對於神經形態技術來說也是如此——但是,隨著第一款Spiking Neural Network (SNN)晶片的推出,率先搶灘的市場領域已準備好推動成長,最初看好工業和行動市場,主要用於機器人革命和即時感知。

neuro-yole_P1

神經形態是邁向未來運算的重要一步?(來源:Yole Développement )

在未來十年內,混合型記憶體內運算(in-memory computing)晶片的出現,將有助於開啟汽車市場,而這正是一個迫切需要大規模自動駕駛技術的市場。

根據Yole表示,神經形態感測與運算可望成為這些市場的「魔彈」(magic bullet),解決人工智慧(AI)當前所面臨的大部分問題,同時在未來幾十年裡開啟新視野。

Yole在其最新報告《神經形態感測與運算》(Neuromorphic Sensing & Computing)中以成像為重點探索了運算和深度學習領域,透過關鍵的技術趨勢、競爭格局、市場動態和按應用細分,深入分析神經形態領域。

自2012年以來,深度學習技術已證明其於AI領域的優勢。這些技術推動了性能的巨大飛躍,並已被業界廣泛採用。

Yole運算和軟體技術與市場分析師Yohann Tschudi說:「近來,我們目睹了業界針對高性能運算、伺服器或邊緣應用所要求的深度學習訓練和推論展開了一輪新晶片的開發競賽。這些晶片採用以摩爾定律(Moore’s Law)為基礎的現有半導體典範。儘管在技術上還可以製造出執行每秒數百兆次浮點運算(TOPS)的晶片,以服務當今的AI應用領域,但它所需的運算能力仍然遠遠低於預期。」

因此,一場軍備競賽持續進行著,其重點在於使用「暴力運算」(brute force computing)來滿足運算能力的要求。當前所使用的技術節點已經來到了7nm,並且已經開發出完整的晶片了。能夠再進一步改善的空間似乎很小,而光是依靠摩爾定律典範將會帶來許多的不確定性。

neuro-yole_P3

2019年神經形態運算競爭格局(來源:Yole Développement )

目前的深度學習技術及其相關的硬體正面臨三大障礙:首先,摩爾定律的經濟規模讓新創企業很難在AI領域競爭,從而限制了競爭。其次,資料泛濫讓當前的記憶體技術也隨之受限。第三,運算功率的需求正呈指數級成長,並為每一種應用帶來了熱問題。

同時,市場不斷要求更高性能的即時語音辨識和翻譯、即時視訊理解,以及要求機器人和汽車的即時感知,此外,還有數百種其他應用需要結合感測和運算的更高度智慧。

neuro-yole_P2

2024、2029和2034年神經形態感測與運算裝置市場預測(以市場應用分)(來源:Yole Développement )

鑑於這些巨大的障礙,突破的時機已經成熟:新創公司需要這種新技術典範以實現差異化,並利用新型記憶體技術的優勢,大幅提高數據、頻寬和電源效率。許多人預見到這種新典範會是神經形態技術,有些人將其稱為基於事件的方法,僅在需要時才進行運算,而不是在每個時脈步驟都進行運算。因此,這種方法可以大幅地節省能源,以執行這些耗能且運算密集的AI演算法。Yole預期,神經形態感測與運算將成為AI技術的下一步發展。

編譯:Susan Hong

(參考原文:Neuromorphic: a step towards Artifical Intelligence?,by Yole Développement)