电子产品世界

石头剪刀布往往是一场心理博弈，考验着玩家的心理预判、反向预判、二次反向预判能力，同时也带有一定的运气成分。但如果一台计算机能充分读懂玩家，做到每局必胜呢？日本北海道大学与以磁带技术闻名的 TDK Corp. 组成的联合团队，就设计出了这样一款芯片。

TDK公司的模拟蓄积计算芯片能够快速高效地预测时间序列的下一步。

需要说明的是，这款芯片并不能读取人类的思维。它通过安装在玩家拇指上的加速度传感器来捕捉手部动作，进而学习并区分出代表石头、剪刀、布的不同动作模式。令人惊叹的是，一旦完成针对特定玩家手势的训练，该芯片就能在玩家喊出 “出招” 的瞬间完成运算，预测出对方的出手动作，从而实现实时击败对手。

支撑这项技术突破的核心方法是储备池计算，这是一种借助复杂动态系统从时间序列数据中提取有效特征的机器学习算法。储备池计算的概念最早可追溯至 20 世纪 90 年代。随着人工智能技术的兴起，凭借低功耗、快速训练与推理的技术优势，储备池计算重新受到业界的广泛关注。

参与该设备研发的 TDK 部门负责人兼高级经理 Tomoyuki Sasaki 表示：“研究团队将降低功耗作为核心目标之一，第二个目标则是解决时延问题。对于边缘人工智能而言，时延是一个亟待攻克的难题。”

为最大程度降低系统能耗与时延，该团队研发出一套基于互补金属氧化物半导体（CMOS）工艺的模拟储备池计算电路硬件方案。团队已于 10 月在日本千叶县举办的先进技术综合展上展示了相关技术原型，并将于本周在圣地亚哥举办的重启计算国际会议上正式发表相关论文。

什么是储备池计算？

要理解储备池计算，最佳方式是将其与支撑当前多数人工智能技术的传统神经网络架构进行对比。

传统神经网络由人工神经元构成，这些神经元按层排列。每一层都可看作一列神经元，列中的每个神经元都会通过带权重的人工突触与下一列的所有神经元相连。数据从第一列输入，逐层向右传播，直至抵达最后一列。

在训练阶段，最后一层的输出结果会与标准答案进行比对，系统会利用比对产生的误差信息，通过反向传播过程逐层逆向调整所有突触的权重。

这种架构有两个显著特征：第一，数据仅沿单一方向 —— 正向传播，不存在循环回路；第二，训练过程中，任意两个神经元之间的连接权重都会被调整。事实证明，该架构具备出色的有效性与灵活性，但同时也存在较高的成本消耗 —— 调整动辄数十亿的权重参数，需要耗费大量的时间与算力。

储备池计算同样由人工神经元和突触构成，但二者的排列方式存在本质区别。首先，储备池计算没有 “层” 的概念，神经元以复杂的网状结构相互连接，且包含大量循环回路。这种结构赋予了网络一定的记忆能力，特定的输入信号可以在回路中持续传递。

其次，储备池内部的神经元连接权重是固定不变的。数据输入储备池后，会在其复杂结构中完成传播，随后通过一组最终突触连接至输出层。整个训练过程中，只有这最后一组突触的权重会被调整。这种设计极大简化了训练流程，并且完全无需反向传播机制参与。

既然储备池的结构固定，训练过程仅针对储备池到目标输出的最后一层 “转换层”，这类网络却依然能实现高效运算，这似乎有些不可思议。但实际上，在特定任务处理场景中，储备池计算的表现极为亮眼。

未参与该研究的加州大学圣塔芭芭拉分校计算机科学助理教授 Sanjukta Krishnagopal 表示：“储备池计算绝非机器学习工具库中适用于所有场景的最优模型。但在预测天气这类具有混沌特性的事物随时间演变的规律时，它就是最适合的工具。这正是储备池计算的优势所在。”

她进一步解释道，原因在于储备池本身就带有一定的混沌属性。“储备池的运行状态通常处于所谓的‘混沌边缘’，这意味着它仅需一个规模极小的神经网络，就能轻松表征出海量的可能状态。”

物理储备池计算机

由于储备池内部的人工突触权重固定，且无需进行反向传播，这为储备池的硬件实现方式提供了极大的灵活性。在构建物理储备池时，研究人员采用过多种介质，包括光、微机电系统（MEMS），而我个人最青睐的是一个颇为有趣的方案 —— 直接用水桶组成的装置。

不过，北海道大学与 TDK 的联合团队希望研发出一款兼容 CMOS 工艺、可应用于边缘设备的芯片。为实现人工神经元的硬件化，团队设计了一种模拟电路节点。每个节点由三个部分组成：非线性电阻、基于金属氧化物半导体（MOS）电容的存储元件，以及缓冲放大器。该团队研发的芯片包含四个计算核心，每个核心由 121 个此类节点构成。

要让这些节点以储备池所需的复杂循环模式相互连接，是一项极具挑战性的工作。为降低系统复杂度，团队采用了一种名为 “简单循环储备池” 的设计方案，即所有节点串联成一个大的环形回路。已有研究表明，即便这种相对简单的结构，也能对多种复杂的动态系统进行精准建模。

基于该设计方案研发的芯片，每个计算核心的功耗仅为 20 微瓦，整机总功耗为 80 微瓦。研究团队称，这一功耗水平显著低于其他基于 CMOS 工艺的物理储备池计算芯片。

预测未来趋势

除了在石头剪刀布游戏中击败人类，这款储备池计算芯片还能在多个领域实现时间序列的下一步预测。Tomoyuki Sasaki 表示：“只要事物的当前状态会受到历史数据的影响，这款芯片就能对其发展趋势做出预测。”

团队通过多项任务验证了芯片的性能，其中包括预测经典混沌系统逻辑斯蒂映射的变化规律。同时，他们还将这款芯片应用于现实世界中典型的混沌现象预测场景 —— 天气预报。测试结果显示，芯片在两项任务中的预测精准度均达到了令人惊叹的水平。

不过，预测精度并非这款芯片的核心卖点。其真正的优势在于极低的功耗与时延，这为新应用场景的拓展创造了可能，例如在可穿戴设备及其他边缘设备上实现实时学习功能。

Tomoyuki Sasaki 指出：“我认为，这款芯片的预测精度与现有技术基本持平。但在功耗与运算速度方面，它的表现大约是现有人工智能技术的 10 倍。这就是二者之间的巨大差距。”

关键词： 边缘人工智能 功耗 储备池计算 神经网络