英特爾首發(fā)大型神經擬態(tài)系統(tǒng)Hala Point，推進“綠色AI”發(fā)展

英特爾發(fā)布了代號為Hala Point的大型神經擬態(tài)系統(tǒng)。Hala Point基于英特爾Loihi 2神經擬態(tài)處理器打造而成，旨在支持類腦AI領域的前沿研究，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的基礎上，Hala Point改進了架構，將神經元容量提高了10倍以上，性能提高了12倍。

英特爾研究院神經擬態(tài)計算實驗室總監(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)?；娜掠嬎惴椒?。為此，英特爾開發(fā)了Hala Point，將高效率的深度學習和新穎的類腦持續(xù)學習、優(yōu)化能力結合起來。我們希望使用Hala Point的研究能夠在大規(guī)模AI技術的效率和適應性上取得突破?！?

Hala Point在主流AI工作負載上展現(xiàn)了出色的計算效率。研究顯示，在運行傳統(tǒng)深度神經網(wǎng)絡時，該系統(tǒng)能夠每秒完成多達2萬萬億次(20 petaops)運算，8位運算能效比達到了15 TOPS/W，相當于甚至超過了基于GPU和CPU的架構。Hala Point有望推動多領域AI應用的實時持續(xù)學習，如科學研究、工程、物流、智能城市基礎設施管理、大語言模型(LLMs)和AI助手(AI agents)。

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

深度學習模型的規(guī)模正在不斷擴大，參數(shù)量可達萬億級。這一趨勢意味著AI技術在可持續(xù)性上面臨著嚴峻的挑戰(zhàn)，有必要探索硬件架構底層的創(chuàng)新。神經擬態(tài)計算是一種借鑒神經科學研究的全新計算方法，通過存算一體和高細粒度的并行計算，大幅減少了數(shù)據(jù)傳輸。在本月舉行的聲學、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)模邊緣工作負載上實現(xiàn)了效率、速度和適應性數(shù)量級的提升[1]。

Hala Point在其前身Pohoiki Springs的基礎上實現(xiàn)了大幅提升，基于神經擬態(tài)計算技術提升了主流、常規(guī)深度學習模型的性能和效率，尤其是那些用于處理視頻、語音和無線通信等實時工作負載的模型。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神經擬態(tài)處理器應用于電信基礎設施效率的優(yōu)化。

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

Hala Point系統(tǒng)由封裝在一個六機架的數(shù)據(jù)中心機箱中的1152個Loihi 2處理器(采用Intel 4制程節(jié)點)組成，大小相當于一個微波爐。該系統(tǒng)支持分布在 140544 個神經形態(tài)處理內核上的多達 11.5 億個神經元和 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)模的并行結構中，Hala Point集成了處理器、內存和通信通道，內存帶寬達每秒16PB，內核間的通信帶寬達每秒3.5 PB，芯片間的通信帶寬達每秒5TB。該系統(tǒng)每秒可處理超過380萬億次8位突觸運算和超過240萬億次神經元運算。

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

在執(zhí)行AI推理負載和處理優(yōu)化問題時， Loihi 2神經擬態(tài)芯片系統(tǒng)的速度比常規(guī)CPU和GPU架構快50倍，同時能耗降低了100倍[1]。早期研究結果表明，通過利用稀疏性高達10比1的稀疏連接(sparse connectivity)和事件驅動的活動，Hala Point運行深度神經網(wǎng)絡的能效比高達15 TOPS/W[2] ，同時無需對輸入數(shù)據(jù)進行批處理。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)集上再訓練，從而節(jié)約數(shù)千兆瓦時的能源。

世界各地領先的學術團體、研究機構和公司共同組成了英特爾神經擬態(tài)研究社區(qū)(INRC)，成員總數(shù)超過200個。攜手英特爾神經擬態(tài)研究社區(qū)，英特爾正致力于開拓類腦AI前沿技術，以將其從技術原型轉化為業(yè)界領先的產品。