【产通社，12月18日讯】“石头-剪刀-布”是一种心理游戏，通常是反向心理，也是一种机会。如果一台电脑能够很好地理解你，每次都能赢呢？北海道大学（Hokkaido University）和TDK公司（以盒式磁带闻名）合作，设计了一种可以做到这一点的芯片。

好吧，芯片无法读取你的想法。它使用放置在拇指上的加速度传感器来测量你的动作，并学习哪些动作代表布、剪刀或石头。令人惊奇的是，一旦它对你的特定手势进行了训练，芯片就可以运行计算，预测你在说“射击”的时间内会做什么，从而实时击败你。
这一壮举背后的技术被称为储池计算（reservoir computing），这是一种机器学习方法，它使用复杂的动态系统从时间序列数据中提取有意义的特征。储池计算的概念可以追溯到20世纪90年代。随着人工智能（AI）的发展，由于其相对较低的功耗要求及其快速训练和推理的潜力，人们对储池计算重新产生了兴趣。

TDK部门负责人兼高级经理Tomoyuki Sasaki表示，研究团队将功耗视为目标。“第二个目标是延迟问题。就边缘人工智能而言，延迟是一个巨大的问题。”
为了最大限度地减少设置的能量和延迟，该团队开发了一种模拟储池计算电路的CMOS硬件实现。该团队于10月在日本千叶举行的先进技术联合展览会议上展示了他们的演示，并在加利福尼亚州圣地亚哥举行的重启计算国际会议上发表了他们的论文。

什么是储池计算？

与传统的神经网络（当今大部分人工智能的基础架构）相比，储池计算机是最容易理解的。
神经网络由多层排列的人工神经元组成。每一层都可以被视为一列神经元，列中的每个神经元都通过加权人工突触连接到下一列中的所有神经元。数据进入第一列，并从左向右逐层传播，直到最后一列。
在训练过程中，将最后一层的输出与正确答案进行比较，并使用这些信息来调整所有突触中的权重，这次是在一个称为反向传播的过程中逐层向后工作。
此设置有两个重要功能。首先，数据只会向前传播。没有循环。其次，在训练过程中，连接任何一对神经元的所有权重都会被调整。事实证明，这种架构非常有效和灵活，但成本也很高；调整有时最终会达到数十亿的权重需要时间和力量。
储池计算也是用人工神经元和突触构建的，但它们的排列方式根本不同。首先，没有层次——神经元以一种复杂的、网状的方式与其他神经元相连，有很多循环。这为网络注入了一种记忆，在这种记忆中，特定的输入可以不断返回。
其次，储池内的连接是固定的。数据进入储池，通过复杂的结构传播，然后通过一组最终的突触连接到输出。只有最后一组突触及其权重在训练中得到了调整。这种方法大大简化了训练过程，完全消除了反向传播的需要。
考虑到储池是固定的，并且唯一训练的部分是从储池到所需输出的最终“翻译”层，这些网络能够发挥作用似乎是一个奇迹。然而，对于某些任务，它们已被证明是非常有效的。
“它们绝不是机器学习工具箱中使用的最佳模型，”加州大学圣巴巴拉分校计算机科学助理教授Sanjukta Krishnagopal说，他没有参与这项工作。但对于预测行为混乱的事物的时间演变，例如天气，它们是这项工作的正确工具。“这就是储池计算的闪光点。”
原因是储池本身有点混乱。Krishnagopal说：“你的储池通常在所谓的混沌边缘运行，这意味着它可以用一个非常小的神经网络非常简单地表示大量可能的状态。”。

物理储池计算机

储池内的人工突触是固定的，不需要发生反向传播。这为储池实施方式留下了很大自由度。为了建造物理储池，人们使用了各种各样的介质，包括光、MEMS设备和我个人最喜欢的水桶。
然而，北海道大学和TDK的团队希望创造一种可用于边缘设备的CMOS兼容芯片。为了实现人工神经元，该团队设计了一个模拟电路节点。每个节点由三个组件组成：非线性电阻器、基于MOS电容器的存储元件和缓冲放大器。他们的芯片由四个核心组成，每个核心由121个这样的节点组成。
在储池所需的复杂、反复出现的模式中，将节点连接起来是困难的。为了降低复杂性，该团队决定采用一种所谓的简单循环储池，所有节点连接在一个大回路中。先前的工作表明，即使这种相对简单的配置也能够模拟各种复杂的动态。
作者说，使用这种设计，该团队能够构建一个每个核心仅消耗20微瓦功率的芯片，即总功耗为80微瓦，远低于其他CMOS兼容的物理储池计算设计。

预测未来

除了在"石头-剪刀"上击败人类，储池计算芯片还可以预测许多不同领域时间序列的下一步。如果今天发生的事情受到昨天数据或其他过去数据的影响，它就可以预测结果。
该团队展示了该芯片在多项任务上的能力，包括预测一个著名的混沌系统（称为逻辑图）的行为。该团队还将该设备用于混沌的原型现实世界示例：天气。对于这两个测试用例，芯片能够以惊人的准确性预测下一步。
然而，预测的准确性并不是主要卖点。该芯片提供的极低功耗和低延迟可以实现一系列新的应用，例如在可穿戴设备和其他边缘设备上的实时学习。
Sasaki说：“我认为这一预测实际上与目前的技术相同。”“然而，功耗、运行速度可能比目前的人工智能技术好10倍。这是一个很大的区别。”查询进一步信息，请访问官方网站https://spectrum.ieee.org/analog-reservoir-computer?utm_source=homepage&utm_medium=hero&utm_campaign=hero-2025-12-16&utm_content=hero3。（镨元素, 产通数造）