Page 50 - 112-2小論文
P. 50
第三代人工智慧 SNN 模型原理解析與前景
肆、研究分析與結果
通過以上的介紹，SNN 模型所包涵的優勢本沒有道理埋沒其發展，為何如今並
未普及？未來前景如何？筆者結合前文内容對 SNN 的特性進行統合分析得到以下
論點。
1. 通過 ANN 的泛用看 SNN 如今的劣勢
人工智慧概念的提出早在上世紀中期，然而真正開始發揚光大已然是 2016-
2017 年的事。這幾年因為 ANN 模型的直觀所以順理成章地成為發展中的首位
故使用較成熟的第二代人工智慧 ANN 模型對 SNN 做比較能明確的明白 SNN
當今的劣勢。
（一）編碼
ANN 在編碼上簡單，無需將信息與時間一同編碼，對入門友好。反觀 SNN
模型，將時間和尖峰關係編碼成時間編碼、相位編碼、速率編碼等等編碼方式
以達到應對各種情況 (Eshraghian, J. k, et al., 2023)，就沒有一個像 ANN 模型僅
需轉換成一實數即可。
（二）硬件支援
ANN 的計算是處理無數的矩陣相乘，恰逢處理矩陣相乘的 GPU 在市場因
圖像渲染蓬勃發展，成熟的 GPU 技術，如 CUDA，成為了 ANN 模型發展的一
項助力。反觀 SNN 模型，專為其累加特性設計的晶片屈指可數。目前特別為
SNN 設計的晶片有 IBM TrueNorth、 Intel 的 Loihi，就只有極少數的公司或實驗
室願意研究新晶片。基本都是實驗性質的設計，除算法尚未完善外，可見市場
尚未大規模投入資源與研發適配 SNN 的晶片。
另外值得注意的是 SNN 的計算是方式本質上是由事件驅動，而現今當道的
馮諾依曼架構（圖四）是基於固定程式序列運行。 SNN 的動態性和非同步性與
馮諾依曼架構的同步性和順序處理方式並不適配。故 TrueNorth 等晶片已經脫
離了馮諾依曼架構，將記憶過程併入了突觸中以減少計算機與記憶體通信產生
的能量耗損。北京清華大學的天機芯與此同時更是直接將 ANN 和 SNN 的計算
邏輯門合併進一個單元，達到多功能並用。
7
