在网上查找“终身学习”，你会发现一系列应用程序，教你如何盖被子、下棋，甚至说一门新语言。然而，在人工智能（AI）和自主设备等新兴领域，“终身学习”的含义有所不同，而且有点复杂。它指的是设备连续操作、与环境交互和从环境中学习的能力——独立且实时
这种能力对我们一些最有前途的技术的发展至关重要——从自动送货无人机和自动驾驶汽车，到能够完成对人类来说太危险的工作的行星外漫游车和机器人
在所有这些情况下，科学家们正在以惊人的速度开发算法，以实现这种学习。但设备运行这些新算法所需的专用硬件人工智能加速器或芯片必须跟上
这是美国能源部阿贡国家实验室的研究员Angel Yanguas Gil所面临的挑战。他的工作是阿贡微电子计划的一部分。Yanguas Gil和一个多学科同事团队最近在《自然电子》杂志上发表了一篇论文，探讨了人工智能驱动设备面临的编程和硬件挑战，以及我们如何通过设计克服这些挑战
实时学习
当前的人工智能方法是基于训练和推理模型的。开发者离线“训练”人工智能能力，只使用特定类型的信息来执行一组定义的任务，测试其性能，然后将其安装到目标设备上
对于复杂的应用程序，这种模式根本不可行
“想想一辆行星漫游车遇到了一个没有经过训练就能识别的物体。或者它进入了没有经过训练能导航的地形，”Yanguas Gil继续说道
“考虑到漫游者和操作员之间的时间滞后，关闭它并试图重新训练它在这种情况下的表现是行不通的。相反，漫游者必须能够收集新类型的数据。它必须将新信息与现有信息以及与之相关的任务相关联。然后实时决定下一步该做什么。”
挑战在于，实时学习需要更复杂的算法。反过来，这些算法需要更多的能量、更多的内存和硬件加速器的更大灵活性才能运行。这些芯片的尺寸、重量和功率几乎总是受到严格限制——这取决于设备
根据这篇论文，人工智能加速器需要许多功能才能使其主机设备持续学习
终身学习加速器的关键
学习功能必须位于设备上。在大多数预期的应用程序中，设备没有时间从云等远程源检索信息，也没有时间在需要执行任务之前提示操作员发送指令
加速器还必须能够随着时间的推移改变其使用资源的方式，以最大限度地利用能源和空间。这可能意味着决定改变它存储某些类型数据的位置，或者改变它执行某些任务所用的能量
另一个必要性是研究人员所说的“模型可恢复性”。这意味着系统可以保留足够的原始结构，以保持在高水平上执行其预期任务，即使它因学习而不断变化和发展。该系统还应防止专家所说的“灾难性遗忘”，即学习新任务会导致系统忘记旧任务。这在当前的机器学习方法中很常见。如有必要，如果性能开始受到影响，系统应该能够恢复到更成功的做法
最后，加速器在积极完成新任务的同时，可能需要整合从以前的任务中获得的知识（通过称为回放的过程使用过去经验中的数据）
所有这些功能都给人工智能加速器带来了挑战，而研究人员才刚刚开始着手
All these capabilities present challenges for AI accelerators that researchers are only starting to take up.
想要了解更多关于脑机接口技术的内容，请关注脑机网，我们将定期发布最新的研究成果和应用案例，让您第一时间了解脑机接口技术的最新进展。
