神经元

格拉茨技术大学的计算机科学家在 Nature 子刊上发表的一篇论文表明，他们找到了一种在神经形状芯片上放荡 LSTM 的方案，可以让类脑神经形状芯片上的 AI 算法能效提高约 1000 倍。随着智能手机的普及，手机游戏也越来越受欢迎。但视频游戏等程序会大量耗电耗能。与 GPU 等标准硬件相比，基于 spike 的神经形状芯片有望实现更节能的深度神经收集（DNN）。但这需要我们理解如何在基于 event 的稀疏触发机制（sparse firing regime）中放荡 DNN，否则神经形状芯片的节能优势就会丧失。比如

cIEEE Spectrum 近来与美国国家标准与技术钻研院（NIST）的物理学家 Jeffrey Shainline 从事了交谈，他的工作可能会对这个问题有所启发。Shainline 在钻研一种可以为高级形式的人工智能提供支持的计算方法——所谓的脉冲神经网络（spiking neural networks，SNN），与现在广泛部署的人工神经网络相比，它更接近地模仿大脑的工作方式。今天，主流的模式是运用在数字计算机上运行的软件来创建具有多层神经元的人工神经网络。这些「深度」人工神经网络已被

通用类似定理很好地解释了为什么神经搜集能工作以及为什么它们经常不起作用。

在 WAIC 2021 AI 开发者论坛上，苏黎世大学与苏黎世联邦理工学院终身教授、苏黎世神经信息研究所 INI 所长、SynSense 时识科技联合创始人 & 首席科学家 Giacomo Indiveri 带来主题为《低功耗人工智能盘算体系中的类脑策略》的线上主旨演讲。以下为 Giacomo Indiveri 在 WAIC 2021 AI 开发者论坛上的演讲内容，机器之心举行了不改变原意的编辑、整理：大家好，我是 Giacomo Indiveri，来自苏黎世大学及苏黎世联邦理工神经信息研究所，很高兴有机会