人工智慧技術發展，類神經處理晶片可能成為關鍵

近期Google人工智慧團隊DeepMind宣佈提出全新演算方式， 讓人工智慧系統可在重複學習情況下， 不會因為將原本曾經學習知識所建立連接記錄複寫， 產生“忘卻”現象， 而將使系統依據學習知識重要性加強記憶能力， 進而達成類似人腦融會貫通的學習效果。

而在未來人工智慧發展模式中， 對應協同運算的類神經處理晶片（neuromorphics）或許將成為技術發展重要關鍵。

以現階段的人工智慧技術， 其實免不了地還是藉由反復比對資料、找出其中規則而形成學習結果， 例如通過讓電腦視覺持續識別行人圖像， 日後在裝載此項電腦的自動駕駛車輛即可依據學習結果判斷應該立即啟動煞車， 避免車輛撞擊前方行人。

而這樣的學習模式， 其實在幾十年前就已經開始進行， 例如過去IBM“深藍（Deep Blue）”便是藉由分析大量棋路來判斷下一步下子位置， 主要通過處理器運作性能完成整個演算流程。

但由於僅仰賴處理器性能難免需要較長時間才能完成計算， 因此後續的人工智慧系統架構便開始導入顯卡硬體資源， 藉由GPU較高的影像處理能力加速整體運算效率， 進而縮短深度學習、分析所需時間， 如此才讓人工智慧系統實際反應速度加快。

在近期的發展裡， 則進一步仿照人腦導入類神經網路系統架構， 讓人工智慧系統可將各類學習資訊彼此連接， 進而串接成為“知識”， 同時藉由學習比重強化記憶能力， 讓學習效果產生融會貫通的學習效果， 避免在持續累積學習過程中發生系統將先前記錄“知識”複寫情況。

但即便Intel、NVIDIA等處理器廠商提出運算性能再高的處理器、GPU， 面對越來越大的資訊傳輸量，

以及更加講求即時的執行效果， 許多人工智慧應用運算如自動駕駛可能無法全部藉由車輛處理器元件完成所有運算， 而藉由雲端協同運算也可能因為連線傳輸效率產生誤差， 因此在終端設備的預先感知運算也越來越顯得重要， 使得作為輔助主要處理器元件的類神經處理晶片設計， 將有可能成為未來人工智慧技術發展關鍵之一。

仿照人體神經網路， 讓人工智慧系統運作更“活”

其實類似的設計， 早在許就之前就已經提出， 亦即通過外部處理元件進行輔助運算， 借此降低主要處理器運算資源負擔， 不但可促使整體運算效率提升， 更能有效減少系統能耗。 例如在通過單一處理器執行所有運算可能需要花費65W電力，

但藉由協同運算元件輔助之下， 也許無需發揮完整電力損耗即可完成所有運算需求， 同時僅需原本不到一半的執行時間。

因此， 未來人工智慧系統發展將有更具體的軟硬體整合設計， 並非僅只是處理器運算效能提升， 或是在軟體運算構架的改變， 而預期會針對特定運算模式打造合適的類神經晶片， 借此對應更快、更低能耗的運算效果。

舉例來說， 智慧喇叭可藉由獨立晶片專司識別使用者口語指令， 同時晶片本身可預先寫入各類語意庫， 借此加快語音操作識別效率與正確度， 而無需藉由裝置內主要處理器進行運算， 或是將錄製語音傳遞至雲端進行遠端運算， 一來一往地反而造成運算效率偏低等情況。

在配合各類運算元件可自主預先完成運算之下， 人工智慧系統即可展現更快反應速度， 同時識別效果也更為正確。

不少看法認為， 發展人工智慧系統的關鍵在於資料累積多寡， 其實不儘然是完全正確。 人工智慧系統要能順利發展， 固然需要有充足的學習資訊， 如同人腦必須通過長時間閱讀、聆聽等方式累積知識， 但如何更有效率地累積知識、更快速地在需要時候使用這些知識卻更為重要， 因此藉由累積必要的信息量， 配合全新軟硬體整合運算模式， 預期會是未來人工智慧系統主要發展方向。