人脑以高效著称，它以稀疏的表征方式存储和处理信息。在任何时刻，只有一小部分神经元处于活跃状态。神经科学家相信，他们可以将大脑启发的逻辑映射到运行AI模型的算法、数据结构和架构中，从而提供一个让AI降低功耗的配方。数据科学家是否愿意改变他们基于蛮力计算的AI实践，这一点尚未确定，因为这种方法似乎越来越难以为继。
正自筹资金起家的初创公司并不多见，更不用说这家公司在神经科学研究领域玩了18年的长线游戏之后，突然推出了一款商业软件产品。
更重要的是，这家初创公司的新产品直接向炙手可热的大语言模型（LLM）AI市场发出了挑战。
这家公司就是Numenta，它承诺其受神经科学启发的软件可以大幅降低在CPU上运行LLM的功耗。
持怀疑态度的人可能会认为这种策略是投机取巧。Numenta的CEO Subutai Ahmad认为，这种说法并不用准确。
Numenta将数十年的神经科学研究应用于商业产品的手段、动机和机遇都出现在AI领域。Numenta的研究人员特别注意到了AI科学家依靠蛮力计算来实现transformer的方式。
当然，神经科学和AI并非完全形同陌路。这两个学科在二十世纪五六十年代相互影响，后来逐渐分道扬镳。不过，Ahmad表示，神经科学和AI一直孤立地存在着，这点令人惊讶。
以ChatGPT为例。
尽管ChatGPT已是当红炸子鸡，但Ahmad认为，ChatGPT消耗的能源太多，最终将难以为继。他认为，只有应用神经科学的基本原理，开发者才能改变AI迈向死胡同轨迹。
了解Numenta
Numenta与其它大多数初创公司的区别在于，其联合创始人Jeff Hawkins、Donna Dubinsky和Dileep George的履历、经验和专业知识。
Hawkins在90年代是著名的Palm Pilot PDA的设计师。之后，他又在Handspring开创了名为Treo的智能手机。
Dubinsky曾在1980年代负责管理Apple的部分分销网络，又曾任Palm的CEO，后来与Hawkins共同创办了Handspring。
2005年，AI和神经科学研究员Dileep George与Hawkins和Dubinsky合作。
每位联合创始人都为Numenta带来了技术、创业和激情方面的独特面向，而Hawkins则因痴迷脑科学而闻名，他是Numenta的公众导师。他撰写了两本书，“On Intelligence”（2004年与Sandra Blakeslee合著）和“A Thousand Brains: A new theory of intelligence”（2021 年）。他在科学杂志上发表的许多论文经常被大量引用。
但具有讽刺意味的是，神经科学的进步主要局限于研究机构，对商业市场影响甚微。据Numenta的CEO Ahmad称，只有极少数实验室积极将神经科学应用于AI。“我们可能是唯一一家尝试这样做的公司。”
他说，Numenta很幸运能走到今天，但他认为ChatGPT是一个“巨大的功耗”。Ahmad坚信，Numenta基于神经科学的数据结构和算法能为LLM带来更高的效率。
Numenta的商业产品
Numenta上周推出的第一款产品是AI软件“NuPIC（Numenta Platform for Intelligent Computing）”。
NuPIC是为现有transformer设计的即插即用软件，可以在CPU上以“极高的吞吐量和低延迟”运行LLM，该公司称，“速度明显快于Nvidia A100 GPU”。
Ahmad解释说，NuPIC将作为“企业软件”授权给“希望将LLM纳入工作流程的企业”。他强调说，Numenta不提供云服务，因此这不是SaaS。NuPIC授权用户将在自己的基础设施中安装该软件，因此“数据和模型对他们来说是完全私有的”。
Numenta产品的关键之一是它可以“直接插入”现有的transformer。Ahmad说：“在外界看来，它并没有什么不同。因此，下图中的中间部分和界面看起来与AI世界已经知道的完全相同。你甚至可以把传统的transformer换成我们的transformer，整个东西仍然可以工作。”
Numenta声称，其基于神经科学的AI解决方案“能让客户实现10到100倍以上的性能提升”。这些数字似乎好得不像真的，但该公司并非凭空捏造。Numenta有与Intel合作完成的案例研究为证。
与Intel和Xilinx的合作
Intel今年在其Xeon Max系列和第四代Intel Xeon可扩展处理器上发布了x86指令集架构的新扩展，称为AMX（Advanced Matrix Extensions）。AMX设计用于矩阵，以加速AI工作负载的矩阵乘法。
Numenta的团队从去年开始与Intel合作，当时Intel正在开发AMX。Ahmad解释说，Intel正在“利用CPU并添加类似于GPU的指令来进行矩阵乘法运算。但它仍然是CPU，而这些CPU非常灵活”。
Ahmad说，这种灵活性使Numenta“可以将我们的算法移植到这些芯片上”。Intel的一份文件指出：“Numenta展示了他们定制训练的LLM在Intel Xeon CPU Max系列处理器上运行时，与当前一代AMD Milan CPU的实现相比，在处理器上配备高带宽内存的LLM在大型文档（长序列长度）上的运行速度要快20倍。”
Intel总结说，Numenta已经证明“有能力大幅降低在Intel上运行语言模型的总体成本，为客户释放全新的自然语言处理能力”。
Numenta的Ahmad则更进一步说：“我们可以让transformer运行得比Nvidia GPU更快。”
现在判断Numenta的软件是否真的是Nvidia GPU Killer还为时尚早。但在Ahmad看来，Numenta从神经科学中学到的基本原理让公司处于优势地位。“这并不是说我们有什么魔法能让速度提高100倍。我们所做的是减少计算量。这就是大脑的工作。这就是我们提高效率的方法。”
Numenta技术的应用范围包括计算机视觉、语音识别和机器人技术。
在语音识别领域，Numenta已经与Xilinx（已被AMD收购）开展了合作。Numenta演示了其大脑启发的稀疏算法如何辅助机器学习，该算法在Xilinx现成的FPGA和GSC（Google Speech Commands）数据集上运行。根据Numenta提交的案例研究，该公司展示了“利用稀疏性扩展深度学习模型的巨大优势”。
神经科学与AI
那么，究竟什么是神经科学，它与AI有何不同？
神经科学侧重于了解神经系统（大脑、脊髓和外周神经）的基本特性以及它们如何发挥作用。相比之下，AI的兴趣在于开发机器来完成通常与人类智能相关的任务。
正如Ahmad所解释的，在人工神经网络的早期，AI在很大程度上受到了神经科学的启发。Ahmad说：“20世纪40年代，Donald Hebb提出了神经元可以学习的最初想法，而且神经元可以学习模式。这启发了最早的人工神经元，当时被称为感知器（perceptron）。”
他补充说，神经科学还启发了“反向传播（backpropagation）”，这是深度学习的核心学习算法，一直沿用至今。
David Hunter Hubel和Torsten Wiesel共同获得了1981年诺贝尔奖，他们研究了视觉皮层的结构和功能。Ahmad解释说，他们极大地增强了人类对视觉系统如何按层次学习物体特征的理解，首先从边缘到角落，然后到形状，最后到物体。
Ahmad强调说：“这种对层次结构和特征检测的理解直接启发了卷积网络，这种核心架构甚至被用于当今的计算机视觉领域。”
直到Ahmad感兴趣的90年代初，神经科学家和深度学习研究人员之间的互动还很普遍。
不知从何时起，AI开始专注于GPU和计算。随着GPU速度越来越快，网络也越来越大。随着计算机越来越强大，数据科学家依赖的数据也越来越多。AI成了更强大和更多闪存的代名词。
Ahmad援引这一背景，认为当今的AI存在两个基本问题。其弱点在于“无法持续学习”，以及对“过多数据”的贪得无厌。
根据他的定义，真正的智能系统是“不断学习”的。他说，AI系统首先在实验室中接受训练，然后部署到现实世界中。但它们不会不断学习。
与人类不断渐进地学习不同，代码还不能真正地“学习”。Ahmad在最近的一篇文章中写道：“如果一个AI模型今天犯了一个错误，那么它将继续重复这个错误，直到使用新的数据对它进行重新训练。”
他说：“作为人类，我们通过四处走动来学习，我们了解世界的结构，甚至做出预测。”
想想AI模型是如何学会识别一种新车型的。
Ahmad说，人类只需要看到“一个例子。我会从另一个角度、一天中的不同时间或在下雨天都可以认出那辆车”。Ahmad说，深度学习系统没有真实的世界模型，“你必须向它们展示数以千计的各种图像”。“它必须记住这辆车的每一个可能的角度”。
神经形态（neuromorphic）计算与神经科学有何不同？Ahmad解释说，神经形态计算是“神经科学和AI这一更广泛领域的一个子集”。虽然神经形态工程的重点通常是构建新的、能效极高的硬件系统，但Ahmad说：“我们正在开发更多的软件和算法。我们将能够利用芯片行业正在进行的所有创新，包括CPU、GPU以及所有SIMD指令和架构。”
融资情况
Ahmad说，Numenta的资金主要来自董事会内部，其中包括Hawkins和Dubinsky，但也有一些外部投资者。
目前，Numenta规模仍然很小，只有20名员工。Ahmad补充说：“现在，Numenta正在走向商业化，我们将在明年的某个时候，很可能是今年晚些时候，进行一轮大规模融资。”
过去二十年来，神经科学家和数据科学家之间的分化很有启发性。硅谷通过一个非常男性化的方式实现了惊人的发展，更大更快的CPU和GPU永远是赢家。但如今，他们需要想办法从拼肌肉的死胡同过渡到基于效率的模式。
