英特爾全新神經(jīng)擬態(tài)系統(tǒng)Hala Point，有望降低AI應(yīng)用能耗，推進(jìn)實(shí)時持續(xù)學(xué)習(xí)

作為英特爾首個神經(jīng)元數(shù)量達(dá)到11.5億的神經(jīng)擬態(tài)系統(tǒng)，Hala Point為更高效、規(guī)模更大的AI開辟了道路。

英特爾發(fā)布了代號為Hala Point的大型神經(jīng)擬態(tài)系統(tǒng)。Hala Point基于英特爾Loihi 2神經(jīng)擬態(tài)處理器打造而成，旨在支持類腦AI領(lǐng)域的前沿研究，解決AI目前在效率和可持續(xù)性等方面的挑戰(zhàn)。在英特爾第一代大規(guī)模研究系統(tǒng)Pohoiki Springs的基礎(chǔ)上，Hala Point改進(jìn)了架構(gòu)，將神經(jīng)元容量提高了10倍以上，性能提高了12倍。

英特爾研究院神經(jīng)擬態(tài)計算實(shí)驗室總監(jiān)Mike Davies 表示：“目前，AI模型的算力成本正在持續(xù)上升。行業(yè)需要能夠規(guī)模化的全新計算方法。為此，英特爾開發(fā)了Hala Point，將高效率的深度學(xué)習(xí)和新穎的類腦持續(xù)學(xué)習(xí)、優(yōu)化能力結(jié)合起來。我們希望使用Hala Point的研究能夠在大規(guī)模AI技術(shù)的效率和適應(yīng)性上取得突破?！?/p>

Hala Point在主流AI工作負(fù)載上展現(xiàn)了出色的計算效率。研究顯示，在運(yùn)行傳統(tǒng)深度神經(jīng)網(wǎng)絡(luò)時，該系統(tǒng)能夠每秒完成多達(dá)2萬萬億次（20 petaops）運(yùn)算，8位運(yùn)算能效比達(dá)到了15 TOPS/W，相當(dāng)于甚至超過了基于GPU和CPU的架構(gòu)。Hala Point有望推動多領(lǐng)域AI應(yīng)用的實(shí)時持續(xù)學(xué)習(xí)，如科學(xué)研究、工程、物流、智能城市基礎(chǔ)設(shè)施管理、大語言模型（LLMs）和AI助手（AI agents）。

目前，Hala Point是一個旨在改進(jìn)未來商用系統(tǒng)的研究原型。英特爾預(yù)計其研究將帶來實(shí)際技術(shù)突破，如讓大語言模型擁有從新數(shù)據(jù)中持續(xù)學(xué)習(xí)的能力，從而有望在AI廣泛部署的過程中，大幅降低訓(xùn)練能耗，提高可持續(xù)性。

深度學(xué)習(xí)模型的規(guī)模正在不斷擴(kuò)大，參數(shù)量可達(dá)萬億級。這一趨勢意味著AI技術(shù)在可持續(xù)性上面臨著嚴(yán)峻的挑戰(zhàn)，有必要探索硬件架構(gòu)底層的創(chuàng)新。神經(jīng)擬態(tài)計算是一種借鑒神經(jīng)科學(xué)研究的全新計算方法，通過存算一體和高細(xì)粒度的并行計算，大幅減少了數(shù)據(jù)傳輸。在本月舉行的聲學(xué)、語音與信號處理國際會議（ICASSP）上，英特爾發(fā)表的研究表明，Loihi 2在新興的小規(guī)模邊緣工作負(fù)載上實(shí)現(xiàn)了效率、速度和適應(yīng)性數(shù)量級的提升[1]。

Hala Point在其前身Pohoiki Springs的基礎(chǔ)上實(shí)現(xiàn)了大幅提升，基于神經(jīng)擬態(tài)計算技術(shù)提升了主流、常規(guī)深度學(xué)習(xí)模型的性能和效率，尤其是那些用于處理視頻、語音和無線通信等實(shí)時工作負(fù)載的模型。例如，在今年的世界移動通信大會（MWC）上，愛立信研究院（Ericsson Research）就展示了其如何將 Loihi 2神經(jīng)擬態(tài)處理器應(yīng)用于電信基礎(chǔ)設(shè)施效率的優(yōu)化。

Hala Point基于神經(jīng)擬態(tài)處理器Loihi 2打造，Loihi 2應(yīng)用了眾多類腦計算原理，如異步（asynchronous）、基于事件的脈沖神經(jīng)網(wǎng)絡(luò)（SNNs）、存算一體，以及不斷變化的稀疏連接，以實(shí)現(xiàn)能效比和性能的數(shù)量級提升。神經(jīng)元之間能夠直接通信，而非通過內(nèi)存通信，因此能降低整體功耗。

Hala Point系統(tǒng)由封裝在一個六機(jī)架的數(shù)據(jù)中心機(jī)箱中的1152個Loihi 2處理器（采用Intel 4制程節(jié)點(diǎn)）組成，大小相當(dāng)于一個微波爐。該系統(tǒng)支持分布在 140544 個神經(jīng)形態(tài)處理內(nèi)核上的多達(dá) 11.5 億個神經(jīng)元和 1280 億個突觸，最大功耗僅為 2600 瓦。Hala Point還包括 2300 多個嵌入式 x86 處理器，用于輔助計算。

在大規(guī)模的并行結(jié)構(gòu)中，Hala Point集成了處理器、內(nèi)存和通信通道，內(nèi)存帶寬達(dá)每秒16PB，內(nèi)核間的通信帶寬達(dá)每秒3.5 PB，芯片間的通信帶寬達(dá)每秒5TB。該系統(tǒng)每秒可處理超過380萬億次8位突觸運(yùn)算和超過240萬億次神經(jīng)元運(yùn)算。

在用于仿生脈沖神經(jīng)網(wǎng)絡(luò)模型時，Hala Point能夠以比人腦快20倍的實(shí)時速度運(yùn)行其全部11.5億個神經(jīng)元，在運(yùn)行神經(jīng)元數(shù)量較低的情況下，速度可比人腦快200倍。雖然Hala Point并非用于神經(jīng)科學(xué)建模，但其神經(jīng)元容量大致相當(dāng)于貓頭鷹的大腦或卷尾猴的大腦皮層。

在執(zhí)行AI推理負(fù)載和處理優(yōu)化問題時， Loihi 2神經(jīng)擬態(tài)芯片系統(tǒng)的速度比常規(guī)CPU和GPU架構(gòu)快50倍，同時能耗降低了100倍[1]。早期研究結(jié)果表明，通過利用稀疏性高達(dá)10比1的稀疏連接（sparse connectivity）和事件驅(qū)動的活動，Hala Point運(yùn)行深度神經(jīng)網(wǎng)絡(luò)的能效比高達(dá)15 TOPS/W[2] ，同時無需對輸入數(shù)據(jù)進(jìn)行批處理。批處理是一種常用于GPU的優(yōu)化方法，會大幅增加實(shí)時數(shù)據(jù)（如來自攝像頭的視頻）處理的延遲。盡管仍處于研究階段，但未來的神經(jīng)擬態(tài)大語言模型將不再需要定期在不斷增長的數(shù)據(jù)集上再訓(xùn)練，從而節(jié)約數(shù)千兆瓦時的能源。

世界各地領(lǐng)先的學(xué)術(shù)團(tuán)體、研究機(jī)構(gòu)和公司共同組成了英特爾神經(jīng)擬態(tài)研究社區(qū)（INRC），成員總數(shù)超過200個。攜手英特爾神經(jīng)擬態(tài)研究社區(qū)，英特爾正致力于開拓類腦AI前沿技術(shù)，以將其從技術(shù)原型轉(zhuǎn)化為業(yè)界領(lǐng)先的產(chǎn)品。