清华大学Nature发文：通用人工智能的重大发展_风闻

　　人脑，是自然界中最完美的计算系统，不仅能处理多种复杂任务还有最高的效能，是目前唯一的**“通用智能体”**。清华联合团队提出的类脑计算系统新框架，或将加速通用人工智能的到来。

　　近日，清华大学计算机科学与技术系张悠慧团队、精密仪器系施路平团队与合作者首次提出**“类脑计算完备性”以及软硬件去耦合的类脑计算系统层次结构**，该结论发表在10月14日的《自然》杂志上。

　　Brain-inspired computing boosted by new concept of completeness论文

　　类脑计算研究受到越来越多的关注，其重要性正如欧盟人脑旗舰研究计划项目所指出的：“在未来10到20年内，谁要引领世界经济，谁就必须在这个领域领先。”

　　但是目前类脑计算尚处于起步阶段，国际上也未形成公认的技术标准与方案。

　　清华大学这一成果通过理论论证与原型实验证明了该类系统的硬件完备性与编译可行性，并扩展了类脑计算系统应用范围，使之能支持通用计算，填补了完备性理论与相应系统层次结构方面的空白，有利于未来自主掌握新型计算机系统核心技术，加速具有人类同等智慧或超越人类的人工智能发展。

　　现在，人工智能在很多领域有了突破性的进展，但是这些进展只能解决特定的问题。

　　基于冯·诺依曼架构的计算机在深度学习领域的成就，已经赶上或超过了人类的表现，但是在推理、决策等更灵活更复杂的问题上，还差的很远。

　　传统的计算机架构实现通用人工智能，也有很大的障碍。

　　一些研究试图在传统架构上，通过特定领域的语言或开发框架来实现通用计算，但这些研究通常没有考虑系统的图灵完备性，不能很好地模拟人脑的计算。

　　为了解决传统计算架构的问题，张悠慧、施路平等人在这项研究中提出了“类脑计算完备性”概念，也就是他们所说的**“神经形态完备性”**，这是一种更普适的类脑计算完备性的定义，软件和各种硬件的兼容性也更好。

　　“通俗地讲，‘完备性’可以回答系统能够完成什么、功能边界在哪里等问题。研究完备性，能为软硬件系统的解耦合、划分不同研究领域间的任务分工与接口提供理论基础。”张悠慧表示。

　　清华大学高性能计算研究所研究员张悠慧

　　同时，研究团队还提出了一种全新的类脑计算系统层次结构，包括了软件、硬件和编译三个方面。

　　在该层次结构下，各种程序在任何神经形态完备的硬件上都能使用，迁移能力也更强。

　　向上，是图灵完备的软件模型，只要开发的算法是用图灵完备的语言编写的，就可以不再担心硬件的约束问题。

　　向下，他们提出了类脑计算完备的硬件体系结构，相比于图灵完备性，放松了对于计算过程与精度的要求，因此适配性更好。

　　硬件包括了所有类脑芯片和架构模型

　　而在软件和硬件之间，他们开发了相应的编译层。任意图灵可计算的函数，都可以转换为类脑计算完备硬件上的模型，让类脑计算系统也可以支持通用计算。

　　编译是将程序转换为硬件可执行形式的中间件

　　如此一来，不同社区的团队成果就可以融合起来，大大降低了软件、硬件的开发难度，也减少了很多约束，像通用计算一样，不同层次可以各自发展，成果又可以无缝兼容。

　　展望未来，张悠慧表示，类脑计算很有可能是实现通用人工智能的重要方向之一，但这中间还有很长的路要走，无论如何，在这一进步过程中，计算系统效率提升是实实在在的。

　　对于这个最新发现，行业内很多人发表了他们的看法。

　　“这是一个新颖的观点，可能是对神经形态计算领域以及通用人工智能的重大发展”。

　　——《自然》杂志审稿人

　　“这个发现在类脑计算系统领域做出了基础性、原创性的贡献，有利于自主掌握新型计算系统软硬件核心技术”。

　　——计算机体系结构专家

　　华中科技大学计算机学院教授金海

　　“这一方法让我们更接近利用类脑硬件所能取得的巨大成就。尽管在神经形态计算领域，要把许多工业和学术研究小组的工作结合起来还很难，但施路平和张悠慧等人此次提出这一层次结构，是朝这个方向迈出的重要一步。”

　　——英国曼彻斯特大学计算机科学系

　　博士奥利弗·罗兹

　　（本文未经造就授权，禁止转载。）

　　参考：

　　1.https://www.nature.com/articles/d41586-020-02829-w Zhang,Y., Qu, P., Ji, Y. et al. A system hierarchy for brain-inspired computing. Nature 586, 378–384 (2020). 

　　2.https://doi.org/10.1038/s41586-020-2782-y

　　Roy,K., Jaiswal, A. & Panda, P. Towards spike-based machine intelligence withneuromorphic computing. Nature 575, 607–617 (2019).

　　3.https://doi.org/10.1038/s41586-019-1677-2

　　4.https://www.nature.com/articles/s41586-019-1424-8