第317章 人类大脑大模型（3 / 4）
希望你能够帮助我们大家厘清一下技术开源的好处。”
陈元光笑了笑：“本身这也是这次来这里最大的目的。
很多东西通过视频是说不清楚的，面谈是最好的方式。
我想先谈一下，过去围绕人工智能研究，都是尽可能把机器去模拟人。
计算机在很多方面都有优势，最典型的应该要属信号传输速度。
人类神经元的信号传输是一个电化学的过程，它的速度是100m/s，而硅基芯片中的电信号传输速度接近光速的70%，也就是两千万米每秒，拓扑半金属的电信号传输速度就更惊人了，能够接近光速的90%。
而人体神经元在信号传递过程中的误差概率是百分之一，硅基芯片的误差是四十二亿分之一，拓扑半金属芯片的误差还要更小。
芯片在信息处理的速度和精度上有非常明显的优势。
在前两年的时候英特尔有一个神经拟态项目叫hala point，用了11.5亿个数字神经元去模拟人类大脑。
哪怕用了这么多数字神经元，哪怕硅基芯片和人类神经元比起来有着天然优势，英特尔的hala point仍然只能处理计算类问题，在神经拟态计算上表现得并不好。
反而是哈佛大学差不多同期做的一个叫brainoware的项目，在模拟人类大脑上表现的更好。
哈佛的项目是把人类脑细胞和硅基芯片给结合起来，构建了被他们命名为brainoware的新硬件。
他们先用人类的多功能干细胞培育了大脑类器官，然后整个brainoware一部分用传统的计算机硬件，一部分用这个大脑类器官。
他们构建了一个三层的计算框架，分为输入层、水库层和输出层，其中在水库层用的是大脑类器官。
类器官通过输入层接收信号，该输入层将信号转换为电刺激的信号。大脑类器官充当了自适应数据库，将这些信号映射到输出层。在输出层中则记录了表示储层状态的神经活动，并对其进行解码以提供用于分类，识别和预测等应用的读数。
通过评估变化的脉冲时间和电压的刺激的响应，测试了brainoware的物理储层特性，包括非线性动力学，空间信息处理和褪色记忆。然后将该系统应用于实际任务，例如语音识别和非线性混沌方程预测。
在语音识别任务中，brainoware需要在说话者池中识别说话者的声音。总共使用了由八个不同的男性说话者发音的240个孤立的日语元音音频剪辑来训练系统。
最终他们在仅仅只了传统硬件不到10%的训练时间下，实现了相同的结果。
好了，两个例子讲完了。
这两个例子说明了，现在国外的硬件存在着天然弊端，hbm模型在传统硅基芯片的适应效果是非常差的。
当然我暂时也没有搞出可以大规模商用的大脑类器官来取代硅基芯片。
但我可以告诉各位的是，如果国外想用hbm模型，那么他们必须要买东大产的拓扑半金属芯片，相当于我们卡住了硬件端。
话说回来，即便技术不开源，考虑到hbm模型要取得进展，我们需要和国内头部的科技公司们合作，参与的人越多，技术泄露的风险也就越大。
我们不如直接开源，从上游硬件端卡住供应。
和所有参与其中的国家和组织，签一个技术开源协议，围绕hbm模型获得的所有技术进展都需要开源，不能运用在军事领域。
如果你不遵守，那么我们有协议为依据，可以正大光明地拒绝供应拓扑半金属芯片。
简单来说就是，技术早晚会泄露，而我们从硬件端有着绝对的控制权，开源给其他国家，能够全球共同来推动hbm技术的发展，帮助东大芯片企业们打开全球市场大门。
当然我认为可以交易的东西还有很多，都可以慢慢谈。”
上面提到的brainoware是23年12月nature的电子子刊上发表的一篇文章。
生物和机械结合构建的复合机器，在非线性方程的计算和语音识别上有着超凡潜力。 ↑返回顶部↑
陈元光笑了笑：“本身这也是这次来这里最大的目的。
很多东西通过视频是说不清楚的，面谈是最好的方式。
我想先谈一下，过去围绕人工智能研究，都是尽可能把机器去模拟人。
计算机在很多方面都有优势，最典型的应该要属信号传输速度。
人类神经元的信号传输是一个电化学的过程，它的速度是100m/s，而硅基芯片中的电信号传输速度接近光速的70%，也就是两千万米每秒，拓扑半金属的电信号传输速度就更惊人了，能够接近光速的90%。
而人体神经元在信号传递过程中的误差概率是百分之一，硅基芯片的误差是四十二亿分之一，拓扑半金属芯片的误差还要更小。
芯片在信息处理的速度和精度上有非常明显的优势。
在前两年的时候英特尔有一个神经拟态项目叫hala point，用了11.5亿个数字神经元去模拟人类大脑。
哪怕用了这么多数字神经元，哪怕硅基芯片和人类神经元比起来有着天然优势，英特尔的hala point仍然只能处理计算类问题，在神经拟态计算上表现得并不好。
反而是哈佛大学差不多同期做的一个叫brainoware的项目，在模拟人类大脑上表现的更好。
哈佛的项目是把人类脑细胞和硅基芯片给结合起来，构建了被他们命名为brainoware的新硬件。
他们先用人类的多功能干细胞培育了大脑类器官，然后整个brainoware一部分用传统的计算机硬件，一部分用这个大脑类器官。
他们构建了一个三层的计算框架，分为输入层、水库层和输出层，其中在水库层用的是大脑类器官。
类器官通过输入层接收信号，该输入层将信号转换为电刺激的信号。大脑类器官充当了自适应数据库，将这些信号映射到输出层。在输出层中则记录了表示储层状态的神经活动，并对其进行解码以提供用于分类，识别和预测等应用的读数。
通过评估变化的脉冲时间和电压的刺激的响应，测试了brainoware的物理储层特性，包括非线性动力学，空间信息处理和褪色记忆。然后将该系统应用于实际任务，例如语音识别和非线性混沌方程预测。
在语音识别任务中，brainoware需要在说话者池中识别说话者的声音。总共使用了由八个不同的男性说话者发音的240个孤立的日语元音音频剪辑来训练系统。
最终他们在仅仅只了传统硬件不到10%的训练时间下，实现了相同的结果。
好了，两个例子讲完了。
这两个例子说明了，现在国外的硬件存在着天然弊端，hbm模型在传统硅基芯片的适应效果是非常差的。
当然我暂时也没有搞出可以大规模商用的大脑类器官来取代硅基芯片。
但我可以告诉各位的是，如果国外想用hbm模型，那么他们必须要买东大产的拓扑半金属芯片，相当于我们卡住了硬件端。
话说回来，即便技术不开源，考虑到hbm模型要取得进展，我们需要和国内头部的科技公司们合作，参与的人越多，技术泄露的风险也就越大。
我们不如直接开源，从上游硬件端卡住供应。
和所有参与其中的国家和组织，签一个技术开源协议，围绕hbm模型获得的所有技术进展都需要开源，不能运用在军事领域。
如果你不遵守，那么我们有协议为依据，可以正大光明地拒绝供应拓扑半金属芯片。
简单来说就是，技术早晚会泄露，而我们从硬件端有着绝对的控制权，开源给其他国家，能够全球共同来推动hbm技术的发展，帮助东大芯片企业们打开全球市场大门。
当然我认为可以交易的东西还有很多，都可以慢慢谈。”
上面提到的brainoware是23年12月nature的电子子刊上发表的一篇文章。
生物和机械结合构建的复合机器，在非线性方程的计算和语音识别上有着超凡潜力。 ↑返回顶部↑