2017年12月11日下午1点半，中国科学院计算技术研究所李威副研究员做客微电子学院主办的“类脑芯片技术与应用专题系列”科学前沿讲座，为国科大的学子们带来了关于“深度学习处理器：通向智能之路”的精彩讲座。
讲座开场，李威老师抛砖引玉：在智能化不断发展的道路上，巴贝奇问题和布什问题研究出了大量新技术，使计算机已成为人类离不开的基础设施。接着，老师进一步提出智能的源头——大脑，因为只有知道智能的源头，才能知道智能究竟会发展成什么样。为了让同学们更进一步详细了解人工智能的工作原理，李威老师讲解了生物神经元和人工神经元的区别，并展示了最简单的人工神经网络图，说明一个神经元能够处理最简单的分类工作。
接着，李威老师为同学们阐述了人工神经网络的发展史：1957年的单层感知机，模仿了生物神经元，90年代初深度前馈网络—卷积神经网络的出现让人工智能有了大跃步，卷积神经网络有三个结构上的特性：局部连接、权重共享以及空间或时间上的次采样。在场景识别、环境感知、动作识别方面应用广泛，例如：自动驾驶。与卷积神经网络没有反馈，逐层采样不同，循环网络通过使用带自反馈的神经元们能够处理任意长度的序列，并且有记忆序列的能力，在机器翻译、图片描述、视频标注、视觉问答等方面应用居多。人工神经网络的里程碑是在2006年研究出了深度学习算法，例如Alpha Go。随后人工神经网络更是迅速发展，2014年deepmind团队提出了神经图灵机：通用的智能解决方案。
随后，李威老师展示了人工神经网络当前的发展：从人脸识别、语音识别到策略分析，神经网络已经达到类人水平。介绍了专门的深度学习处理器：图形处理器、信号处理器、智能处理器。并着重向大家介绍了寒武纪迄今的三大技术突破：1.通过EDRAM技术及多芯片互联，保证神经网络模型完整放置于片上，完全无需访问内存。2.将片上通讯分成多个小块，每块内部包含运算部件、神经元数据、突触数据，减少90%以上片上通讯时间。3.采用可编程VLIW处理器结构以及灵活的运算部件，支持几乎所有主流机器学习算法。
讲座的最后，李威老师阐述了深度学习处理器的优点：帮助我们本地、实时完成各种图像、语音和文本的理解与识别；更重要的是，在不断的深度学习后，能够真正拥有类人级别、或与人接近的智能水平。
本次讲座李威老师深入浅出的讲解了深度学习的原理，算法和应用等，让同学们对人工智能有了更透彻的理解，使同学们受益匪浅。
综合信息