12 月 4 日，中国科学技术大学宣布，该校潘建伟、陆朝阳等组成的研究团队与中科院上海微系统所、国家并行计算机工程技术研究中心合作，构建了 76 个光子的量子计算原型机「九章」，求解数学算法 「高斯玻色取样」，处理 5000 万个样本只需 200 秒，而目前世界最快的超级计算机要用 6 亿年。相关论文于 12 月 4 日在线发表在国际学术期刊《科学》。

虽然大多数人还不清楚何为量子计算机，但是「九章」的问世，毫无疑问地向世人证明了计算的种类，远远不止我们常见的电脑或者手机。在电脑 CPU 领域，英特尔是多年以来市场的领导者，但这不意味着英特尔在计算领域只做这一块。

在前几日的英特尔研究院开放日上，英特尔公布了其在集成光电、神经拟态计算、量子计算、保密计算、机器编程五项新技术进展。

量子计算方面，英特尔宣布推出第二代低温控制芯片 Horse Ridge II，这标志着英特尔在突破量子计算可扩展性方面取得新进展。可扩展性是量子计算的最大难点之一。在 2019 年推出的第一代 Horse Ridge 控制器的创新基础上，Horse Ridge II 支持增强的功能和更高集成度，以实现对量子系统的有效控制。新功能包括操纵和读取量子位状态的能力，以及多个量子位纠缠所需的多个量子门的控制能力。

同时，英特尔分享了英特尔神经拟态研究社区（INRC）的最新进展。该社区自 2018 年成立以来发展迅速，现已拥有 100 多名成员。英特尔宣布，联想、罗技、梅赛德斯-奔驰和机器视觉传感器公司 Prophesee 加入 INRC，共同探索神经拟态计算在商业用例上的价值。此外，得益于英特尔神经拟态研究测试芯片 Loihi 的计算能力，英特尔还概括介绍了英特尔神经拟态研究社区更多的研究成果.

通过对英特尔神经拟态系统上的应用进行持续开发、原型设计和测试，英特尔和英特尔神经拟态研究社区成员获得了越来越多的成果，并显示在各种工作负载中神经拟态计算都能带来性能的一致性提升。现有的研究结果 —— 例如模仿人类嗅觉系统、将基于事件的触感引入机器人，结合英特尔研究院开放日上所介绍的新基准，勾勒出一副新的图景，即：神经拟态计算非常适合新兴的、具有商业相关性的仿生智能负载。

英特尔研究院开放日重点介绍的基准更新包括：

语音命令识别：埃森哲测试了在英特尔 Loihi 芯片上识别语音命令的能力和在标准图形处理单元（GPU）上识别语音命令的能力，发现 Loihi 不仅达到了和 GPU 类似的精度，而且能效提高 1000 倍以上、响应速度快 200 毫秒。通过英特尔神经拟态研究社区，梅塞德斯 - 奔驰正在探索如何将这些结果应用到现实用例中，例如在汽车中加入新的语音交互命令。

手势识别：传统的 AI 可以很好地处理大数据并识别成千上万个案例的模式，但它很难识别人与人之间细微的差异 —— 比如我们用于交流的手势。埃森哲和英特尔神经拟态研究社区合作伙伴展示了 Loihi 在快速学习和识别个性化手势方面取得的切实进展。通过处理来自神经拟态相机的信息，只需几次曝光 Loihi 即可学习新手势。这可以应用于各种用例，例如与家庭中的智能产品进行交互或在公共场所的非接触式显示。

图像检索：零售行业的研究人员评估了 Loihi 对基于图像的产品搜索应用。他们发现，在保持相同精度水平的情况下，Loihi 生成图像特征向量的效率比传统的中央处理单元（CPU）和 GPU 解决方案提升三倍多。这一结果是对英特尔今年早些时候发布的神经拟态研究系统 Pohoiki Springs 的相似度搜索结果的补充，表明 Loihi 在百万幅图像数据库中搜索特征向量的速度比 CPU 快 24 倍，且能耗低 30 倍。

优化和搜索：英特尔及其合作伙伴发现，Loihi 解决优化和搜索问题的效率比传统 CPU 高 1000 倍、速度快 100 倍。优化问题，如约束满足可以在边缘端提供潜在价值，例如：让无人机能够实时规划并做出复杂的导航决策。同样的问题类型也可以扩展到复杂的数据中心负载，完成协助列车调度和物流优化等任务。

机器人技术：罗格斯大学和代尔夫特理工大学的研究人员展示了在 Loihi 上运行机器人导航以及微型无人机控制应用的演示。代尔夫特理工大学的无人机使用一个包含 35 个神经元，并且能演进的脉冲网络进行光流着陆（optic flow landing），频率超过 250 千赫兹。罗格斯大学发现，其 Loihi 解决方案所需的功耗比传统移动 GPU 低 75 倍，而性能却没有任何下降。在 11 月于 2020 机器人学习大会上发布的报告中，罗格斯大学的研究人员发现 Loihi 可以成功学习诸多 OpenAI Gym 的任务，其精度与深度行动者网络（Deep Actor Network）旗鼓相当，而能耗却比移动 GPU 解决方案降低了 140 倍。

可以看到，神经拟态计算在不少垂直的应用场景能够实现比传统计算高得多的性能表现。

在公开日发布一系列新进展之后，英特尔也举办了圆桌论坛，英特尔中国研究院院长宋继强和英特尔高级首席工程师、英特尔研究院神经拟态计算实验室主任 Mike Davies，英特尔首席科学家、英特尔研究院机器编程研究主任及创始人 Justin Gottschlich 讨论了未来的计算趋势。

其中有一个核心问题，也是大众非常关心的问题， 那就是为什么英特尔会投入对神经拟态计算和机器编程的研究？

Mike Davies 说：

我们采用了神经拟态研究的非常基本的方法，认识到自然界有一种智能计算的解决方案，是我们今天的传统计算无法比拟的。

 

因此，尽管最近几年我们在传统计算机架构和人工智能的深度学习技术方面取得了进步，但与大自然的生物大脑所能实现的功能相比，我们还有很长的路要走。所以这就激励我们去寻找一种新的计算机架构，能够适应非常广泛的工作负载。

 

在这方面，大脑的计算能力比我们今天的传统方法要强得多，而这超出了模式匹配和基于深度学习的训练范式。这几种范式需要大量的数据来执行非常重要的任务，但与你所看到的有机体的行为能力相比，它们仍然非常有限。

 

这就是我们的想法，我们顺着这个思路，试图找到一种更通用的人工智能架构，能实时解决各种类型的问题，从规划问题到优化问题并且能够以比今天的常规方法快得多的速度，实现模式匹配和深度学习模型所能做到的，并且使用更加节能的解决方案。因此，我们的方法不同之处在于：它是一种非常基本的、自下而上的角度，直接从神经科学中获取灵感。目标是要开发出比我们现有的更通用的可编程架构。

机器学习，如深度学习，通过使用大量的训练数据集来识别物体和事件，最近取得了巨大的进步。但是，除非这些训练数据集考虑到特定的元素、条件或环境，否则这些机器学习系统不能得到很好地泛化。

随着人工智能计算任务变得越来越多样化和复杂，研究人员将关注当前主流计算架构的局限性，提出新的颠覆性方法。展望未来，英特尔认为，神经拟态计算带来了一种方式，以类似大脑的结构来提供超大规模的计算性能。通过进行自主学习，即使在不同应用方向和场景下，也能很快的通过自主学习来进行适应。

神经拟态计算的灵感来自我们目前对大脑结构及其计算能力的了解。大脑的神经网络通过脉冲来传递信息，根据这些脉冲的时间来调节突触强度或突触连接的权重，并把这些变化存储在突触连接处。脑内神经网络及其环境中多个区域之间的协作和竞争性相互作用就产生了智能的行为。

英特尔希望能够做到神经拟态计算这种方式，能够更好地模拟人脑神经元的结构，不仅是多路的输入和强度，同时还有时间先后的延迟顺序。一个脑当中可以同时学习多种任务，包括语音任务、视觉任务、决策任务、操作控制等等，它是多功能的。硬件上可以具备一边工作一边学习的能力，也就是片上的学习能力，这些都需要突破式的发展才能做到。