石頭剪刀布常常是心理、反向心理學、反向反向心理和運氣的游戲。但如果電腦能足夠理解你，每次都能贏呢？北海道大學和以磁帶聞名的TDK公司（均位于日本）的團隊設計了一款能夠實現這一功能的芯片。

好吧，芯片不會讀你的心思。它使用放置在拇指上的加速度傳感器來測量你的動作，最終確定哪些動作代表紙、剪刀或石頭。令人驚訝的是，一旦芯片訓練好你的具體手勢，就能計算你在說“shoot”的時間內會做什么，從而實時擊敗你。

這一壯舉背后的技術稱為儲層計算，這是一種利用復雜動力系統從時間序列數據中提取有意義特征的機器學習方法。儲層計算的概念可以追溯到1990年代。隨著人工智能的發展，由于儲量計算相對低功耗且具備快速訓練和推理的潛力，人們重新受到關注。

TDK部門主管兼高級經理佐佐木奉幸表示，研究團隊將功耗視為目標。“第二個目標是延遲問題。對于邊緣人工智能來說，延遲是一個巨大的問題。”

為了最大限度地降低設備的能量和延遲，團隊開發了一種模擬儲量計算電路的CMOS硬件實現。團隊于十月在日本千葉舉行的先進技術聯合展會上展示了他們的演示，并計劃本周在圣地亞哥的國際重啟計算大會上發表論文。

什么是儲層計算？

儲量計算機最好通過與傳統神經網絡形成對比來理解，后者是當今人工智能的基本架構。

神經網絡由人工神經元組成，按層排列。每一層都可以看作一列神經元，列中的每個神經元通過加權人工突觸連接到下一列的所有神經元。數據進入第一列，從左向右一層傳遞，直到最后一列。

訓練過程中，最終層的輸出與正確答案進行比較，利用這些信息調整所有突觸的權重，這次是逐層倒推，這一過程稱為反向傳播。

這種設置有兩個重要特點。首先，數據只能向前傳播。沒有環形結構。其次，連接任意一對神經元的所有配重在訓練過程中都會被調整。這種架構被證明極為有效且靈活，但成本也較高;調整有時耗費數十億個砝碼既耗時又耗費精力。

儲層計算同樣由人工神經元和突觸構建，但它們的排列方式根本不同。首先，沒有層次——神經元之間以復雜的網絡狀連接，充滿了許多環路。這為網絡注入了一種存儲器，使特定輸入能夠不斷返回。

其次，油藏內部的連接是固定的。數據進入儲層，穿過其復雜結構，然后通過一組最終突觸連接到輸出。只有最后一組突觸及其重量在訓練中會被調整。這種方法大大簡化了訓練過程，完全消除了反向傳播的需求。

鑒于儲層是固定的，且唯一訓練的部分是從儲層到目標輸出的最終“平移”層，這些網絡能有用似乎簡直是個奇跡。然而，對于某些任務，它們已被證明非常有效。

加州大學圣塔芭芭拉分校計算機科學助理教授Sanjukta Krishnagopal表示：“它們絕不是機器學習工具箱中最優的通用模型，他并未參與這項工作。但對于預測行為混亂的事物的時間演變，比如天氣，它們是合適的工具。“這正是儲量計算的精彩所在。”

原因是水庫本身有些混亂。“你的水庫通常處于所謂的混沌邊緣，這意味著它可以用非常小的神經網絡簡單地代表大量可能的狀態，”克里希納戈帕爾說。

物理儲量計算機

水庫內部的人工突觸是固定的，不需要進行逆向傳播。這給水庫的實現留下了很大自由度。為了建造物理水庫，人們使用了各種介質，包括光、微電系統設備，以及我個人最喜歡的“水桶”。

然而，北海道和TDK團隊希望打造一款兼容CMOS的芯片，用于邊緣設備。為了實現人工神經元，團隊設計了一個模擬電路節點。每個節點由三個組件組成：一個非線性電阻、基于MOS電容的存儲元件和一個緩沖放大器。他們的芯片由四個核心組成，每個核心由121個此類節點組成。

將節點以復雜的循環模式連接起來非常困難。為了降低復雜性，團隊決定采用所謂的簡單循環水庫，所有節點連接成一個大環路。先前研究表明，即使是這種相對簡單的構型，也能模擬各種復雜動力學。

作者表示，團隊利用該設計制造出每核僅耗20微瓦功耗，總功耗80微瓦的芯片——遠低于其他兼容CMOS的物理儲量計算設計。

預測未來

除了在石頭剪刀布上擊敗人類外，儲量計算芯片還能預測時間序列中許多不同領域的下一步。“如果今天發生的事情受到昨天的數據或其他過去數據的影響，它可以預測結果，”佐佐木說。

團隊在多項任務中展示了芯片的能力，包括預測一個著名的混沌系統——物流地圖的行為。團隊還在現實中典型的混亂例子中使用了該裝置：天氣。在這兩個測試案例中，芯片都能以驚人的準確度預測下一步。

然而，預測的精確度并不是主要賣點。該芯片極低功耗和低延遲，有望開啟一系列新的應用，如可穿戴設備及其他邊緣設備的實時學習。

“我認為預測實際上和現有技術是一樣的，”佐佐木說。“不過，功耗和作速度可能比現有AI快10倍。這是個很大的差距。”