314
个编辑
更改
无编辑摘要
'''问：'''研究中遇到的最大的挑战是什么？
'''[[施路平]]：'''我们是从 2012 年就开始孕育这项研究，遇到了很多的挑战，但是我们认为，最大挑战不来自于科学、也不来自技术，而是在于学科的分布不利于我们解决这样的一个问题，所以我们认为多学科深度融合是解决这个问题的关键。所以在这项研究当中，我们组成了一个多学科融合的团队，由七个院系组成了一个类脑计算研究中心，覆盖脑科学、计算机、微电子、电子、精仪、自动化、材料等。在这里，特别感谢清华大学校各位领导对跨学科建设的大力支持，这是本项目取得成功的关键。邓磊：在芯片方面，遇到的最大挑战是如何实现深度和高效的融合。我强调两点：第一，是深度和高效。目前比较火的神经网络模型有两类，一类是从计算机科学来的，一类是从脑科学来的。这两种模型的语言有很大不同，它们有不一样的计算原理，有不一样的信号编码方式，也有不一样的应用场景，所以它们所需要的计算架构和存储架构是非常不一样的，哪怕设计的优化目标都是很不一样的，这一点可以从目前我们能看到的一些深度学习加速器，还有一些神经形态芯片，它们基本上设计体系都是独立的。因此可以看出，深度融合并不简单，并不是说设计一个深度学习加速模块、再设计一个神经形态模块、再把它们拼到一起就可以了，这样是行不通的，我们很难确定每部分的比例是多少，因为现实中的应用是复杂多变的，这不是高效的。第二，如果构建一个异构的混合模型，可能还需要在两个模块之间有专门的信号转换单元，这又会有很多额外的成本，所以，如何设计一套芯片架构来兼容这两类模型，而且又可以灵活的配置和具有高性能，这也是我们芯片设计中的挑战。年就开始孕育这项研究，遇到了很多的挑战，但是我们认为，最大挑战不来自于科学、也不来自技术，而是在于学科的分布不利于我们解决这样的一个问题，所以我们认为多学科深度融合是解决这个问题的关键。所以在这项研究当中，我们组成了一个多学科融合的团队，由七个院系组成了一个类脑计算研究中心，覆盖脑科学、计算机、微电子、电子、精仪、自动化、材料等。在这里，特别感谢清华大学校各位领导对跨学科建设的大力支持，这是本项目取得成功的关键。 '''[[邓磊]]：'''在芯片方面，遇到的最大挑战是如何实现深度和高效的融合。我强调两点：第一，是深度和高效。目前比较火的神经网络模型有两类，一类是从计算机科学来的，一类是从脑科学来的。这两种模型的语言有很大不同，它们有不一样的计算原理，有不一样的信号编码方式，也有不一样的应用场景，所以它们所需要的计算架构和存储架构是非常不一样的，哪怕设计的优化目标都是很不一样的，这一点可以从目前我们能看到的一些深度学习加速器，还有一些神经形态芯片，它们基本上设计体系都是独立的。因此可以看出，深度融合并不简单，并不是说设计一个深度学习加速模块、再设计一个神经形态模块、再把它们拼到一起就可以了，这样是行不通的，我们很难确定每部分的比例是多少，因为现实中的应用是复杂多变的，这不是高效的。第二，如果构建一个异构的混合模型，可能还需要在两个模块之间有专门的信号转换单元，这又会有很多额外的成本，所以，如何设计一套芯片架构来兼容这两类模型，而且又可以灵活的配置和具有高性能，这也是我们芯片设计中的挑战。
'''问：'''为什么选择无人自行车作为一个切入点？
