IBM日前公布了TrueNorth處理器效率的更多信息。TrueNorth是模擬人類大腦的新型芯片，該芯片并不是把億萬計的數字晶體管拍成一列，而是讓100萬個計算機“神經元”通過2.56億個神經元連接(突觸)進行協同工作。據這些報告顯示，其做法極大地提升了芯片的處理性能，更重要的是提高了能耗效率。毫無疑問：神經計算將會顛覆世界，而那一天將比你想象中來得更快。
神經計算機的發展方向跟數字電腦十分類似：首先要確定運算的作用(例如，在戰爭中計算出射擊的軌跡);然后根據現有的工具開發出一種粗略的解決方案(比如說，讓工作人員進行手工運算);接下來發明一種可以進行高效自動處理的機器。數字電腦的效率比人類更高的部分原因是，它的晶體管能快速傳輸信號，但我們的神經元也能做到這一點。數字電腦最大的問題在于開發者是從零開始為各種各樣的數學運算進行設計。從某種角度來說，我們試圖在電腦上進行像人腦那樣的高效計算工作看上去有點瘋狂。
雖然全新的GPU處理速度很快，但其效率還是遠遠比不上神經計算。
同樣，在以后回顧今天的人們嘗試通過數字芯片(包括GPU)來進行深度學習時，我們也會認為這是十分不明智，甚至是一種愚蠢的做法。更為合理的做法是從最基本的硬件層面設計出匹配這樣計算的機器。這不僅會大幅度提高處理率的工作效率，而且還能大大減少所需的能耗。這也是IBM所做的事情，其結果比大部分人預測的還要驚人。
在處理圖像分類任務時(一種很好理解的機器學習任務)，TrubeNorth芯片可按1200-2600幀的速度進行分類，而能耗僅為25-275毫瓦，有效效率超過6000幀每秒每瓦。目前使用類似分類算法和數據集的傳統GPU并沒有標準的幀/秒/瓦規格，但考慮到今天的顯卡本身或許就需要200瓦，甚至是250瓦，很難想象GPU可以實現低耗高能的應用。
上圖為12個不同的分析過濾器的輸出結果。
最重要的是，現代機器學習的成本極其昂貴。只有像蘋果、Facebook和谷歌這樣公司才能使用昂貴的超級計算機陣列來為其提供先進的服務。但這種專業化的服務極其昂貴，就算不考慮這一點，一天24小時滿負荷或接近滿負荷運行多臺計算機所產生的電費就已經是一筆不少的開支。“比特幣礦工”對此不會陌生。
類似TrueNorth的先進神經網絡令Alphago戰勝了世界圍棋冠軍李世石
所以在早期階段，昂貴的神經計算設備對服務提供商來說或許是一個重大利好。我們也只能說希望性能更優更節能的消費者版產品能早日出現。但神經芯片所能提供的速度和效率不會在此止步，幾個數量級的能耗減少將會使完全通過云端處理成為可能。
希望擁有像雅虎寶貝魚那樣的自動翻譯軟件，但無需一直保持網絡連接嗎?那么一臺能獨立處理數據的健身追蹤器，無需將數據上傳到另外的電腦進行分析又怎樣呢?一臺離線無人駕駛汽車呢?
目前并沒有任何證據表明傳統硬件可以實現上述任務，但神經芯片是目前最有可能做到的方式。
上圖為IBM的NS16e電腦。
IBM推出了一臺全新的NS16e電腦，搭載了16個TrueNorth處理器，相當于400億個神經突觸。雖然這還遠遠比不上人類大腦，但已經足夠處理現代機器學習所面臨的挑戰。借助相互之間的連接機制，這16個芯片可以彼此溝通，從廣義上反映出連接大腦兩個半球的胼胝體的功能。
但IBM并不是唯一朝著這條特殊終點線沖去的公司。有傳聞表示谷歌也有一個進行類似研究的項目。更值得注意的是，高通此前已經表示即將推出的驍龍處理器會迎來神經計算功能，但高通并沒有透露具體工作原理，最近也沒有太多的相關消息。現在該領域中的私人投資大多為試探性的投資，而IBM的大部分突破主要得益于DARPA的資助。
DARPA的另一項發明是：超微型高效GPS追蹤設備。
沒錯，就是DARPA。士兵經常需要行走在信號覆蓋不佳的區域，而且還需要跟操著方言的當地居民進行交流。傳統的解決辦法是借助自然語言處理(NLP)工具，現在執行外勤任務的士兵會為NLP分析進行大部分的數據收集。通過神經計算，他們的翻譯工具可以馬上破解一種全新的方言，實時改善翻譯效果。
士兵并不是唯一需要便攜性計算工具的人群。從谷歌眼鏡2.0到Snapchat的Spectacle，似乎只有智能眼鏡才能實現其真正的潛能，免除遠程數據服務器的需要。我們可以想象一下，一副可以將有用的增強現實信息疊加在真實世界的眼鏡，如果它需要持續地接受遠程的大量數據，那么這種功能將很難普及到成千上萬的電子產品消費者。
有報道稱埃隆·馬斯克希望建設全球規模的互聯網衛星網絡，但其速度仍然不足以讓所有人在每時每刻進行數據傳輸。
但問題不僅只是這樣。如此大規模的持續數據傳輸會損壞我們的電池，但如果能對這些復雜的任務進行本地處理，那么性能和成本，尤其是隱私問題將會從根本上得到改善。當然，對服務供應商而言，這可是個不利的影響。
可穿戴式計算設備、增強現實和虛擬現實這些新興的潮流需要先進的機器學習算法。我們在IBM和其他地方可以看到，新技術的興起很有可能讓這些算法傳播得更快更遠，足以實現其所有的潛能。
