如實還原了大腦的神經細胞（神經元）機制的人工智慧（AI）模式受到的關注越來越高。NTT與東京大學的合原一幸特別教授等人組成的研究團隊利用光學技術製作了人工神經元模式。人類的大腦處理資訊時僅消耗相當於20W電力的能量，非常節能，靈活性也比現有電腦更高。2050年有望實施省電並能根據情況選擇最佳資訊處理方法的「察言觀色型AI」。
NTT等製作人工光神經元所使用的裝置
生物的大腦利用神經元的瞬時電活動——「激活」現象來傳遞資訊。神經元能瞬間改變電位，此時出現的是針狀「尖峯訊號」，用於在神經之間傳遞訊號。
這種大腦機制的電腦與現有的電腦機制完全不同，被認爲智慧級別更高和更加高效。東京大學的合原特別教授表示，如果能模仿大腦機制，「就有望開發出節能且能夠進行高級處理的電腦」。
研究團隊此次製作了模仿神經元機制的數學模式「脈衝神經網路（SNN）」。SNN根據尖峯訊號的發生頻率及時刻表現訊號的強弱並處理資訊，可以說是更接近大腦的方法。
研究團隊製作的模式是結合特殊光振盪器和可以自由改寫電路的半導體「FPGA」實施的。透過輸入光振盪器的光的強度來控制尖峯訊號的發生頻率，還可以觀測生物神經元的兩種激活模式。NTT物性科學基礎研究所的特別研究員稻垣卓弘表示：「製作出了比其他方式更接近生物體的模式。」
將SNN應用於機器學習領域，有望實施功耗低且擅長分析時間序列資料的AI。把目前機器學習中主要採用的深度學習演算法更換成SNN的很多研究都提高了學習效率。
類腦資訊處理系統的動向與前景 |
|
2014年 |
美國IBM開發出相當於100萬個神經元的SNN |
2020年 |
美國英特爾利用半導體技術開發出相當於小鼠大腦的神經元數量的運算系統 |
2021年 |
NTT與東京大學結合光學技術和FPGA開發出SNN |
2025年前後 |
開始應用於邊緣計算，採用SNN的神經廻路網類比也越來越多 |
2030年代 |
半導體式迴路規模接近“人類水平”，應用大腦各部位的資訊處理機制的演算法取得隊形變換 |
2040~2050年 |
明確與意識和創造性等有關的大腦功能 |
2050年 |
根據周圍情況選擇最佳資訊處理方法的“察言觀色型AI”——類腦電腦誕生 |
SNN：脈衝神經網路(Spiking neural network)
SNN在處理時間序列資料的領域也將大展身手。合原特別教授認爲，「可用於預測太陽能和風力發電的發電量等」。透過用SNN分析天氣等的時間序列資料，有望在短時間内實施足夠準確的預測。
今後的重點是如何增加神經元的數量。此次製作的SNN的神經元數量最大爲256個。NTT的稻垣提出了「在1～2年内增加到1萬個」的目標。屆時可以類比聽覺和嗅覺等大腦的部分認知功能。
之後的目標是增加到1億個，這個數量相當於青蛙和小鼠的大腦神經元數量。不過，「以此次的硬體配置很難實施，需要從設計階段開始改進」（稻垣）。
合原特別教授充滿期待地表示，當硬體和軟體技術都有望獲得成熟的2050年，「將實施能根據周圍的情況選擇最佳方法來處理資訊的高級AI」。也就是說，將誕生「可以察言觀色的AI」，即「類腦」電腦。
還有望明確大腦機制
模仿生物體資訊處理功能的「神經網路」研究已經進行了幾十年。期間誕生了在圖形識別方面取得成果的卷積神經網路（CNN）和用於話音辨識等的循環神經網路（RNN）。
目前主流的AI技術之一深度學習就是利用了多層結構神經網路實施的。NTT還開發過利用光的量子狀態從大量組合中計算最佳解的技術「量子神經網路（QNN）」，以及採用該技術的高性能電腦。
SNN更如實地模仿了大腦的資訊處理機制，適合處理時間序列資料。在海外，美國的IBM和英特爾已經試製出基於半導體技術的運算系統。半導體方式相對比較容易實施大規模化，英特爾2020年發佈的運算系統的神經元數量「與小鼠的大腦相當」。
SNN可能還有助於瞭解大腦的機制。或許可以明確兩種激活模式的功能和切換對資訊處理的影響。
目前存在的課題在於能量消耗。最關鍵的是當神經元的數量達到人類大腦的水平時，能量消耗能否控制在人類大腦能耗水平的20W。
日文：島津忠承、《日經產業新聞》，2021/06/11
中文：JST客觀日本編輯部
