面向人工智能的计算机体系结构
来源：计算机研究与发展
前言
近几年来人工智能技术的飞速发展使得其应用迅猛扩大，而传统的计算机体系结构对于面向人工智能的应用在处理速度、能耗、使用的方便性等方面有着诸多不足。随着人工智能应用的发展，面向人工智能的体系结构成为体系结构研究与发展中的一个重要方向。因此，本刊在“计算机体系结构前沿技术”主题系列中，出版“面向人工智能的计算机体系结构”主题。本主题既包含面向人工智能应用的体系结构技术、人工智能应用程序的行为分析及其对体系结构的要求、和面向人工智能应用及特定体系结构的优化技术等方面6篇文章。
类脑机的思想与体系结构综述
传统的冯·诺依曼体系结构对于面向人工智能应用的神经网络计算有诸多不适应。类脑机是一类典型的非冯·诺依曼体系结构。类脑机在处理人工智能问题的许多领域中比传统的冯·诺依曼结构具有速度、能耗等方面的优势，引起智能机器研究人员的高度兴趣和重视。黄铁军、余肇飞、刘怡俊的文章“类脑机的思想与体系结构综述”介绍类脑机的研究和发展概况。文章介绍了类脑机的基本概念、原理结构、典型的类脑机系统，也介绍了脉冲神经网络的工作原理及其信息处理能力，文章还预测了类脑机的发展前景，并给出类脑机研究中的重要问题。
黄铁军，余肇飞，刘怡俊.类脑机的思想与体系结构综述[J].计算机研究与发展,2019,56(6):1135-1148.HuangTiejun,YuZhaofei，LiuYijun.Brain-likeMachine:ThoughtandArchitecture.JournalofComputerResearchandDevelopment,2019,56(6):1135-1148.
基于３D忆阻器阵列的神经网络内存计算架构
基于忆阻器的神经网络内存计算架构是一类获得计算机体系结构研究者高度关注的计算架构。此类架构在人工智能计算的大量应用中比传统的冯·诺依曼结构在性能、能耗效率等方面具有优越性。然而，基于忆阻器的内存计算硬件存在外围电路面积大、功能单元利用率低等问题。毛海宇和舒继武的文章“基于３D忆阻器阵列的神经网络内存计算架构”提出一种基于３D忆阻器阵列的神经网络内存计算架构(FMC)，把实现功能单元的外围电路聚集而形成一个功能单元池，供多个堆叠于其上的忆阻器阵列共享。文章还提出一种数据映射策略,提高功能单元的利用率并减少忆阻器立方体之间的数据传输。实验结果表明文章所提出的技术可以提升功能单元利用率、减小空间占用、提升性能并降低能耗。
毛海宇，舒继武.基于3D忆阻器阵列的神经网络内存计算架构[J].计算机研究与发展,2019,56(6):1149-1160.MaoHaiyu，ShuJiwu.3DMemristorArrayBasedNeuralNetworkProcessinginMemoryArchitecture.JournalofComputerResearchandDevelopment,2019,56(6):1149-1160.
面向深度学习加速器的安全加密方法
深度学习是人工智能一类重要技术，在云计算、边缘计算等框架下均有广泛的应用。左鹏飞等的文章“面向深度学习加速器的安全加密方法”提出，部署在边缘计算设备上的深度学习加速器有泄露所存储的深度学习模型的风险。文章针对此问题提出一种深度学习加速器架构COSA。COSA利用计数器模式加密，提高加速器的安全性,并且把解密操作从内存访问的关键路径中移出以便提高加速器性能。实验结果表明文章所提出的技术的有效性。
左鹏飞，华宇，谢新锋，胡杏，谢源，冯丹.面向深度学习加速器的安全加密方法[J].计算机研究与发展,2019,56(6):1161-1169.ZuoPengfei,HuaYu,XieXinfeng,HuXing,XieYuan，FengDan.ASecureEncryptionSchemeforDeepLearningAccelerators.JournalofComputerResearchandDevelopment,2019,56(6):1161-1169.
多层神经网络算法的计算特征建模方法
利用神经网络进行学习在不同的领域中获得广泛的应用。对于神经网络学习，如何不同的计算特征、根据不同的网络规模设计高能效的加速器？如何基于有限的硬件资源提高网络性能并最大化资源利用率？这些都是体系结构研究中的重要问题。面向这些问题，方荣强等的文章“多层神经网络算法的计算特征建模方法”提出一种基于计算特征的神经网络分析和优化方法。文章提出基于“层”的粒度解析神经网络模型并提取模型通用表达式,进而根据通用表达式和基本操作属性提取模型运算量和存储空间的需求等特征，并提出基于特征的最大值更替的运行调度算法,从而可以利用特征分析和资源状况优化运行调度方案。实验结果说明了文章所提的技术的有效性。
方荣强，王晶，姚治成，刘畅，张伟功.多层神经网络算法的计算特征建模方法[J].计算机研究与发展,2019,56(6):1170-1181.FangRongqiang,WangJing,YaoZhicheng,LiuChang，ZhangWeigong.ModelingComputationalFeatureofMulti-LayerNeuralNetwork.JournalofComputerResearchandDevelopment,2019,56(6):1170-1181.
面向阻变存储器的长短期记忆网络加速器的训练和软件仿真
长短期记忆网络是人工智能领域中的一种重要的网络，有着广泛的应用；而利用阻变存储器交叉开关设计内存计算结构是一种高效处理长短期记忆网络的加速器结构。由于长短期记忆网络的计算特征和阻变存储器本身的物理性质，该种网络加速器的训练和软件仿真是加速器设计中的重要环节。刘鹤等的文章“面向阻变存储器的长短期记忆网络加速器的训练和软件仿真”提出一种针对阻变存储器特征的神经网络训练方法，可以获得符合阻变存储器约束的神经网络模型。同时，文章提出一种模拟器结构，可以用时钟驱动的形式模拟设计者提出的以阻变存储器交叉开关结构为核心的加速部件的长短期记忆加速器微体系结构，从而为设计者提供模拟工具。文章介绍了其模块结构和实现方法，并给对所提出的技术给出了试验评估结果。
刘鹤，季宇，韩建辉，张悠慧，郑纬民.面向阻变存储器的长短期记忆网络加速器的训练和软件仿真[J].计算机研究与发展,2019,56(6):1182-1191.LiuHe,JiYu,HanJianhui,ZhangYouhui，ZhengWeimin.TrainingandSoftwareSimulationforReRAM-BasedLSTMNeuralNetworkAcceleration.JournalofComputerResearchandDevelopment,2019,56(6):1182-1191.
基于细粒度数据流架构的稀疏神经网络全连接层加速
深度神经网络是当前人工智能计算最重要的技术之一，被广泛地应用于人工智能计算的各个领域。对于深度神经网络计算的硬件加速是体系结构研究中的一个重要领域。向陶然等的文章“基于细粒度数据流架构的稀疏神经网络全连接层加速”提出了一种在基于细粒度数据流体系结构的硬件加速器上加速稀疏的深度神经网络全连接层的方法，可以优化深度神经网络计算在细粒度数据流架构的加速器的实现。文章针对深度神经网络计算应用和加速器体系结构的特点提出相应的数据压缩格式及加速计算方案。实验结果显示，文章所提出的方法相较于原有稠密的全连接层运算可以大幅度减少峰值带宽需求，与一些CPU、GPU、mGPU等结构相比，可以大幅度提高其计算部件的利用率。
向陶然，叶笑春，李文明，冯煜晶，谭旭，张浩，范东睿.基于细粒度数据流架构的稀疏神经网络全连接层加速[J].计算机研究与发展,2019,56(6):1192-1204.XiangTaoran,YeXiaochun,LiWenming,FengYujing,TanXu,ZhangHao，FanDongrui.AcceleratingFullyConnectedLayersofSparseNeuralNetworkswithFine-GrainedDataflowArchitectures.JournalofComputerResearchandDevelopment,2019,56(6):1192-1204.
未来智能实验室是人工智能学家与科学院相关机构联合成立的人工智能，互联网和脑科学交叉研究机构。
未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）云脑研究计划，构建互联网（城市）云脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。
如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
什么是人工智能人工智能的层次结构有哪些
人工智能（ArtificialIntelligence）：它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。1956年首次提出，当时的定义为“制造智能机器的科学与工程”。人工智能目的就是让机器能够像人一样思考，让机器拥有智能。时至今日，人工智能的内涵已经大大扩展，是一门交叉学科。
人工智能的层次结构
基础设施层：回顾人工智能发展史，每次基础设施的发展都显著地推动了算法层和技术层的演进。从20世纪70年代的计算机的兴起，80年代计算机的普及，90年代计算机运算速度和存储量的增加，互联网兴起带来的电子化，均产生了较大的推动作用。到21世纪，大规模集群的出现，大数据的积累，GPU与异构/低功耗芯片兴起带来的运算力的提升，促成了深度学习的诞生，点燃了人工智能的爆**潮，其中海量的训练数据是人工智能发展的重要燃料。
算法层：机器学习是指利用算法使计算机能够像人一样从数据中挖掘出信息，而深度学习作为机器学习的一个子集，相比于其他学习方法，使用了更多的参数、模型也更复杂，从而使得模型对数据的理解更加深入也更加智能。
计算机视觉：计算机视觉的历史可以追溯到1966年，人工智能学家Minsky在给学生布置的作业中，要求学生通过编写一个程序让计算机告诉我们它通过摄像头看到了什么，这也被认为是计算机视觉最早的任务描述。计算机视觉借鉴了人类看东西的方法，即“三维重构”与“先验知识库”。计算机视觉除了在比较成熟的安防领域外，也应用于金融领域的人脸识别身份验证、电商领域的商品拍照搜索、医疗领域的智能影像诊断、机器人/无人车上作为视觉输入系统等。
语音处理：让机器学会“听”和“说”，实现与人类的无障碍交流一直是人工智能、人机交互领域的一大梦想。1920年生产的“RadioRex”玩具狗可能是世界上最早的语音识别器，第一个真正基于语音识别系统出现在1952年，AT&T贝尔实验室开发的Audrey的语音识别系统，能够识别10个英文数字，正确率高达98%。比如AppleSiri，Echo等。
自然语言处理：人类的日常社会活动中，语言交流是不同个体间信息交换和沟通的重要途径。对机器而言，能否自然的与人类进行交流、理解人类表达的意思并作出合适的回应，被认为是衡量其智能程度的一个重要参照。
规划决策系统：人工智能规划决策系统的发展，一度是以棋类游戏为载体的。比如，AlphaGo战胜李世石，Master对顶级选手取得60连胜，机器人，无人车。
本文由人工智能提供，https://www.ai-indeed.com
什么是人工智能人工智能有哪些特点
刷脸认证、自动驾驶、大数据推送、智能音箱、手术机器人……人工智能在各行各业得到了广泛的应用，数据伪造、算法瓶颈、隐私保护、道德困境等问题也日益突出。AI基础设施建设必须从提高自身底层能力入手，以内生动力突破三个关卡：算法关、数据关、应用关，迈向算法可靠、数据安全、应用可控的第三代人工智能。接下来小编就给大家带来什么是人工智能、人工智能有哪些特点的相关介绍，一起来看看吧。
什么是人工智能？人工智能有哪些特点？
一、什么是人工智能？人工智能（ArtificialIntelligence），英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器，该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。
人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，可以设想，未来人工智能带来的科技产品，将会是人类智慧的“容器”。人工智能可以对人的意识、思维的信息过程的模拟。人工智能不是人的智能，但能像人那样思考、也可能超过人的智能。
二、人工智能有哪些特点？首先，是从人工知识的表达转向大数据驱动的知识学习技术。由分类化的多媒体数据处理转变为跨媒体的认知、学习、推理，本文所说的“媒体”并非新闻媒体，而是界面或环境。
其次，从追求智能化机器到高层次人机、脑机的相互协同与融合。从对个体智能的聚焦，到基于互联网和大数据的群体智能，它能将多个人的智能集合融合在一起成为群体智能。
第三，是从拟人机器人向更广泛智能自主系统的转变，如智能工厂、智能无人机系统等。世界范围内对人工智能有三种看法：弱人工智能，强人工智能和超级人工智能。
第四，弱人工智能是指利用现有的智能技术，改善我国经济社会发展所需的某些技术条件和功能。强人工智能阶段与人类智能非常相似，需要脑科学的突破，而国际上普遍认为，这一阶段将在2050年左右实现。
第五，在脑科学和类脑智能得到长足发展之后，人工智能成为一种超强智能系统。在科技发展的今天，从脑科学突破的角度来发展人工智能，仍然有局限性。
如何将人工智能(AI)引入计算领域，让机器从经验中学习，做出与人相似的决策，这在过去十年里得到了广泛的讨论，这几乎改变了我们经济的每个环节。
AI技术被广泛应用于帮助企业将日常工作自动化，通过分析客户的行为来更好地了解客户，降低运营成本，以及在不同行业提供个性化服务的产品，无论是金融银行，还是交通运输，安保，医疗保健等领域，都逐渐显示出AI的独特优势。随着人工智能技术不断发展，不断涌现出新算法、新代码，新产品进入市场的机会大大增加，但不可授权使用和恶意篡改的风险无疑也在增加，数字版权保护任重道远。以上就是小编为大家带来的什么是人工智能、人工智能有哪些特点的相关介绍，希望对您有帮助。
机器人体系结构有哪些机器人的体系结构详解
智能机器人是一种具有智能的，高度灵活的，自动化的机器，具备感知，规划，动作，协同等能力，是多种高新技术的集成体。智能机器人试讲体力劳动和智力劳动高度结合产物，构建能“思维”的人造机器。
机器人体系结构，就是指为完成指定目标的一个或几个机器人在信息处理和控制逻辑方面的结构方式。
一、基于功能来分解
基于功能分解的体系结构在人工智能上属于传统的慎思式智能，在结构上体现为串行分布，在执行方式上属于异步执行，即按照“感知一规划一行动”的模式进行信息处理和控制实现。以美国国家航天局和美国国家标准局所提出的NASR人MtI〕为典型代表。这种体系结构的优点是系统的功能明了.层次清晰，实现简单。但是申行的处理方式大大延长了系统对外部事件的响应时间，环境的改变导致必须重新规划，从而降低了执行效率。因此只适合在已知的结构化环境下完成比较复杂的工作。
二、基于行为来分解
基于行为分解的体系结构在人工智能上属于现代的反应式智能，在结构上体现为并行(包容)分布，在执行方式上属于同步执行，即按照“感知一行动”的模式并行进行信息处理和控制。以麻省理工的R.A.Brooks所提出的行为分层的包容式体系结构(SubsumptionArchitecture)和Arkin提出的基于MotorSchema的结构为典型代表。其主要优点就是执行时间短、效率高、机动能力强。但是由于缺乏整体的管理，很难适应于各种情况。因此只适用于在沐淘环境下执行比较简单的任务。
三、基于智能分布来分解
基于智能分布的体系结构在人工智能上属于最新的分布式智能，在结构上体现为分散分布，在执行上属于协同执行，既可以单独完成各自的局部问题求解，又能通过协作求解单个或多个全局问题。以基于多智能体的体系结构为典型代表。这种体系结构的优点是既具有“智能分布”的特点，又有统一的协调机制。但是如何在各个智能体之间合理的划分和协调仍然需要大量的研究和实践。该体系结构在许多大型的智能信息处理系统上有着广泛的应用。
除以上三类主要的体系结构之外，还有一些改进的混合式体系结构，如带反馈环节的行为分解模式、基于分布式智能的分层体系结构、基于功能分解的多智能体结构等等。但是从整体上来看，它们或是在功能模块的灵活性和扩展性上不足，或是没能很好的协调慎思式智能与反应式智能，或是各层次间的交流机制不够完善。