眼下对于这家类脑芯片公司而言，场景落地是最为重要的一环。
撰文 | 寓扬
「如果把当下最为成熟的移动芯片比作一个青壮年人，那么类脑芯片还只是一个2~3岁的孩子。」
这意味着类脑芯片还远不成熟，也意味着它可能在未来具有更大的潜力。放眼行业，推出类脑芯片的公司少之又少，即使是IBM与英特尔推出了类脑芯片，更多的还是科研导向，商业落地无从谈起。
一位华人小伙在瑞士攻读博士后期间，机缘巧合踏入这片神秘的土地，进而创业进军类脑芯片，要将这个2~3岁的「孩子」和场景结合，踏上未知的落地应用之路。
他就是aiCTX公司CEO乔宁博士。CTX是Cortex（脑皮层）的缩写，公司的名字代表着他希望将AI和脑皮层技术相结合，解决实际应用中的问题。
aiCTX CEO乔宁
今年4月份，aiCTX推出它的第一款类脑处理器芯片DynapCNN，但这款更多的还是一款测试芯片，验证技术上的可能性。乔宁说，公司有望在今年第四季度推出真正可量产的类脑芯片，现在正处在商业落地爬坡期。
他还透露，未来将要推出一款端侧智能视觉SoC，相比传统的端侧AI芯片，功耗会降低100~1000倍，延时响应缩短10倍。
关于类脑芯片的可行性行业一直存在争议，它究竟是科研人的「象牙塔」，还是能经受市场考验的璞玉，落地之战可谓关键。
1 华人小伙瑞士创业，进军类脑芯片
乔宁原本是中科院半导体研究所的博士，2012年毕业后希望去国外攻读博士后，继续从事芯片领域的科研工作。后来机缘之下，他来到瑞士苏黎世大学及苏黎世联邦理工大学神经信息研究所，从事类脑芯片的基础科研与工程研发。该研究所由两所大学联合创办，有20多年成熟的脑科学、神经形态架构、算法、芯片等方向的研发经验。
2015年IBM推出类脑芯片TrueNorth，让业界开始对类脑技术有更多的认知，随后AlphaGo的异军突起让大家对AI有了全新的认知。这些事情也触动着乔宁，希望借着AI的东风，真正将类脑技术落地商用。
正是如此，2017年3月乔宁等人在瑞士创办aiCTX公司，面向端侧IoT场景，研发可商用的神经形态处理器（即类脑芯片）。
目前aiCTX有一个约15人的全职团队，可谓小而精。乔宁任CEO，有超过10年的芯片设计经验；神经信息研究所所长Giacomo Indiveri教授担任CSO，他可谓是世界神经形态科研领军人物；此外董事长Kynan Eng教授在视觉处理器领域有非常深厚的积淀，15人的团队均来自于苏黎世大学、苏黎世联邦理工、洛桑联邦理工等世界顶级高校，专业涉及硬件设计、算法、软件等各个层面。
乔宁向机器之心透露，瑞士团队主要负责芯片研发和IP设计，未来希望在中国建立一个团队，承担系统级方案设计、芯片规模量产以及市场对接工作，这一团队有望在今年年底建立。
aiCTX目前主要聚焦两大业务方向，一块是以动态摄像头为输入的毫瓦级低功耗、低延时的实时动态图像处理应用，主要面向智能家居、机器人、自动驾驶及安防场景；另一块是面向便携、可穿戴设备的口令识别、心电信号等自然信号的微瓦级超低功耗实时处理。
据了解，2017年底aiCTX获得十维资本领投的120万美元天使轮融资，2018年底又获得百度风投领投的数百万美元Pre-A轮融资，目前其也在寻求A轮融资。
2 功耗降低千倍 类脑芯片是如何实现的？
aiCTX的类脑芯片落地步伐可分为两步：从测试芯片走向量产芯片，从专用芯片走向通用芯片。
今年4月份，aiCTX推出了公司的第一款类脑芯片DynapCNN，它是一款视觉AI处理器，芯片面积仅为12平方毫米，采用22nm工艺设计，单芯片集成超过100万脉冲神经元和400万可编程参数，支持多种CNN架构，并具有较为灵活的扩展性。
乔宁表示，DynapCNN处理器很适合应用在轻中量级的端侧动态视觉上，具有实时响应与超低功耗的特性。通过搭载直连动态视觉摄像头，它可以对像素级动态数据流进行连续计算，以自动驾驶路面障碍物识别为例，它对物体实时识别可实现低于5ms的延迟，峰值功耗仅为100mW（毫瓦）。
同样的端侧场景，相比已有的深度学习视觉处理方案，乔宁自信地称，DynapCNN可以将识别响应时延缩短10倍，同时功耗降低100~1000倍。
为何会有如此大的提升？这首先要从类脑芯片的底层架构说起。在传统的冯·诺依曼架构中，计算模块和存储单元互相分离，CPU在执行命令时必须先从存储单元中读取数据，这往往会消耗大量的计算资源，并带来大量的功耗；再加上由于「内存墙」（数据存取速度赶不上计算速度）的存在，这往往又会造成更高的时延问题。
而类脑芯片则「颠覆」了这一传统计算架构，它模拟人脑神经元的方式来进行运算。人脑的特性是存算一体，拥有成百上千亿的神经元可进行大规模计算，在处理任务时具有极高的并行度，并且功耗极低。
正是对人脑的借鉴才有了脉冲神经网络，类脑芯片也采用存算一体的结构，将数字处理器当做神经元，接受脉冲信号后，每个神经元在本地展开运算。
乔宁解释道，类脑芯片最天然的属性是事件驱动运算，以动态摄像头应用为例，输入端是一个很稀疏的数据，只有事件触发才展开运算，当没有事件触发时，机器就不需要运算，这样就大大降低了功耗；另外类脑芯片没有帧的概念，所做的是连续运算，当数据流进来后无需存储，实时处理，这样又做到超低延迟。
另外，每一家做类脑芯片的公司总会宣称自己的芯片有上百万神经元，乔宁说百万神经元是类脑的界限（蜜蜂大脑包含大概一百万神经元），但对于传统的深度学习来说，其实能做的事情还很少，只能做一些简单的手势识别、口令唤醒、避障等任务，因为深度学习是一个非常消耗资源的解决方案。
他也坦言，DynapCNN并不是一款量产芯片，而是一款测试芯片。作为公司的第一款芯片，首先需要对设计工具、设计流程等进行系统级的验证，其次需要对算法层面进行验证。并且，DynapCNN需要外接动态摄像头来完成任务。真正面向商用的集成动态摄像头及处理器与单芯片的SoC级神经形态智能传感器Speck预计将在今年第四季度推出。
另外，这是一款可编程可配置的CNN架构芯片，主要面向视觉AI场景，由于更多出于测试及通用性考虑，做了很多冗余算力，所以并没有特别定义的落地场景。aiCTX希望它能够直联通动态摄像头，来做一些端侧超低功耗的任务，比如近距离的手势识别、自动驾驶的避障等。
「严格来说这款芯片不算真正意义的类脑芯片，它是用类脑的逻辑来解决传统CNN的问题」，乔宁解释道。在他看来，真正意义的类脑芯片，是从硬件架构、算法都按照类脑的逻辑来设计。
此外，aiCTX也在采用脉冲神经网络（SNN）打造一款通用芯片DynapSE2，它可处理口令识别、心电信号监测等自然信号处理，同样具有实时处理、超低功耗的特性，这款小规模量产芯片的样片可在今年三季度获取。
3 最快第四季度商业量产
场景落地已成为aiCTX目前最为重要的一环。
乔宁透露，针对视觉场景，他们正在打造一款面向商用的SoC芯片——Speck，这款SoC包含动态摄像头模块及片上AI处理器模块，提供一个不依赖于云的本地视觉AI运算的完整的解决方案。speck是一款亚毫瓦智能视觉传感器，AI运算依然采用类脑的硬件逻辑和CNN算法相结合来解决实际问题，由于高度可配置性，可针对不同场景，载入不同网络解决实际问题。
Speck芯片主要针对轻量级视觉场景，可应用在智能家居、智能汽车、机器人、仓库AGV等场景下。在智能家居场景中，可实现家庭成员识别、手势识别、姿态识别等人机交互应用，一节纽扣电池就可以使用很长时间。
再比如汽车场景中，Speck可以进行手势识别，从而实现车内的一些交互。乔宁称， 传统的加速器解决方案，可能每秒处理20帧，这对应的是50ms的延迟，而Speck可以做到更快地实时响应，仅需要5ms的延迟。同样相比传统的深度学习计算，它的整体（摄像头及处理器）峰值功耗仅为1mW，比传统方案降低100~1000倍。
在小区安防方面，传统的解决方案很难做到高速、低延迟、低功耗的统一，而Speck在这方面就有一定优势。此外，野外、鱼塘、铁路、边界等这类需要节省功耗、节省带宽的场景，都可能是类脑芯片的用武之地。
乔宁透露，目前Speck智能视觉传感器已经在跟国内Tier 1汽车零部件供应商、机器人、安防公司，以及欧洲的IoT公司在做一些场景验证，正处在市场对接阶段。这款芯片目前也在设计阶段，预计会在今年7月投片，有望在今年年底或者明年初量产。
在类脑芯片这一领域，IBM曾推出TrueNorth芯片，英特尔曾推出Loihi芯片，面对这些巨头公司aiCTX的芯片又有什么优势呢？
乔宁坦言，如果比拼团队、拼资源，定然比不过这些巨头公司。但IBM、英特尔更多的是采用通用架构做基础研究，它是一款科研芯片，不针对一个具体场景。而aiCTX更多针对一个明确的应用场景去落地，因而在功耗，性能以及集成度方面会有更大提升。
4 场景落地已是最为关键一环
但类脑芯片还远不成熟，如果将最为成熟的智能手机芯片比作青壮年，那么类脑芯片还只是一个2~3岁的孩子，行业还处于很早期。
那么类脑芯片距离真正可用还要多久呢？乔宁认为要结合场景来看，视觉物联网端的Speck智能视觉传感器很可能年内落地。在自然信号处理端的应用，如果只是做个相对简单的口令识别/唤醒、手势识别、心电信号监测等，可能明年年中就可以实现。但如果你想让类脑芯片做语义理解、复杂的决策，像人一样明白一句话，则还有很长的路要走。
但目前aiCTX并没有一款真正意义上的落地商用芯片，能否完成场景验证，能否通过市场的考验当下还是一个未知数。对他们来说，场景落地是当下最为重要的一环。乔宁也说，未来1~2年工作的重心会落到动态视觉上。
而从科研的角度来说，行业当下最需要的就是搭建生态。类脑芯片还有很长的路要走，最为核心的是找到一套更加适合类脑芯片架构的算法，从而去提升精度，降低功耗，而非用目前的CNN算法。
