?清華大學舉辦的一場機器人版貓捉老鼠游戲，登上了Science子刊封面。

這里的湯姆貓有了新的名字：“天機貓”，它搭載了清華大學類腦芯片的最新研究成果 ——一款名為TianjicX的28nm神經形態計算芯片。

它的任務是抓住一只隨機奔跑的電子老鼠：在復雜的動態環境下，各種障礙被隨機地、動態地放置在不同的位置，“天機貓”需要通過視覺識別、聲音跟蹤或兩者結合的方式來追蹤老鼠，然后在不與障礙物碰撞的情況下向老鼠移動，最終追上它。

在此過程中，“天機貓”需要實現實時場景下的語音識別、聲源定位、目標檢測、避障和決策，而TianjicX能夠以節能的方式同時運行跨計算范式的多種 AI 算法，并處理多種機器人協調方式；在相同的任務下，TianjicX的功耗比英偉達AI 芯片的低一半，跑多個網絡的延遲大幅降低了79.09倍！

“人工智能領域的重要里程碑”再獲突破

2019年8月，清華大學施路平教授團隊研發了全球首款類腦計算芯片“天機（Tianjic）芯” ，登上了Nature封面，還被Nature總編斯基珀博士贊譽為“人工智能領域的重要里程碑”！

當時，搭載了“天機芯”的自行車實現了真正的自行，能自主控制平衡、避障，識別語音指令、探測前方行人。

那是中國芯片第一次登上Nature，也成為了2019年科學界的年度熱點研究之一。

而這次，清華大學團隊在之前的基礎上研發出了TianjicX 芯片，支持計算資源的自適應分配和每項任務的執行時間調度，解決了目前移動智能機器人計算硬件研發的難題。

說到難題，使用神經網絡（NN）算法讓機器人智能化的道路已經走了很久，但既要實現多種NN的并發執行，又要延遲低、效率高，還得能異步執行、靈活交互，這恐怕目前還沒有人能做到。

克服神經擬態芯片關鍵挑戰

所謂神經形態計算芯片，就是模仿人類的神經系統計算框架、計算模式的芯片，它基于分散的非-馮諾依曼架構，可以同時執行多個神經網絡模型。

然而，一般的神經形態芯片通常使用空間切片以流水線方式預配置內核并處理神經網絡，每次都要重復執行預先配置的操作，這種固有瓶頸阻礙了現有計算硬件在本地實現多個密集型算法，無法實現低延遲、高效率。

因此，TianjicX 芯片的研發就面臨了兩個關鍵挑戰：

一是要滿足延遲?并發?功率  (LCP)  的性能要求，特別是對于各種神經網絡的實現；

二是保持每個任務的獨立執行不受干擾，同時為任務間交互提供支持。

為了克服這些挑戰，研發人員從架構、芯片和模型部署等不同層面進行了一系列設計。

1.基礎架構—— Rivulet執行模型?

在該模型中，每個空間單元都有其內存和控制器用于計算，將神經網絡和SNN統一為“靜態數據”和“動態數據”，靜態數據固定在相應的內存中，動態數據則在相鄰的執行單元之間流動。

這使Rivulet成為了機器人算力要求和硬件實現之間的一座橋梁，通過靜態數據的分發和動態數據的流化，抽象化了神經網絡任務的執行，采用時間和空間切片實現對每個活動進行彈性資源分配，并進行可配置的混合同步異步分組。

2.芯片的硬件?

以Rivulet模型為基礎，清華研究人員設計并制作了基于28nm制程的互補金屬氧化物半導體（CMOS）的TianjicX芯片。它集成了160個可配置的交叉計算范式內核（FCore），具有海量并行計算單元、豐富的片上內存以及每個內核可任意配置的原語序列。

控制器僅占FCore面積的1%左右，但顯著提高了任務執行和交互的靈活性和效率。核心內存模塊由五個靜態隨機存取內存  (SRAM)  塊組成，總容量為  144  KB。通過高位寬并行讀寫訪問接口，整個芯片在400MHz時可以擁有高達5.12TB/s的內存訪問帶寬，由于優化了片上內存利用率，實現了單位面積計算能力高達0.2  TOPS/mm2 。

為了自動生成快速、適當的策略，編譯器堆棧采用時空映射方法，統一了各種神經網絡以滿足硬件功能約束，包括原始變換和量化，能根據不同場景的實際需要，靈活配置多個任務。

3.顯著提高機器人性能?

為了展示TianjicX的能力，研究人員將4個TianjicX陣列部署在了多智能任務移動機器人中，并配備了多模態傳感器，每個芯片可以單獨激活，而在貓捉老鼠的實驗中，天機貓僅激活了一個TianjicX。

在復雜動態的環境中，天機貓展示了在使用極少能量的情況下，利用多種神經網絡算法來完成實時場景中的語音識別、聲源定位、物體檢測、避障和決策。

檢測特定物體：

在昏暗室內追逐老鼠：

具有多個障礙物的復雜環境：

未來，進一步探索更多可能

TianjicX為移動智能機器人計算硬件的研發開辟了一條新的道路，對于大多數商業化的機器人，通常在倉庫或工廠中遵循可預測的例程運作，對于更復雜的場景中也會依賴于人類的遠程操縱，或者必須與遠程數據中心保持無線連接。

TianjicX芯片展現出的強大能力，不僅可以用于提高機器人的智能水平，還可以為替代計算架構設計方法提供思路。“對于機器人來說，這種能力非常重要，可以讓自主系統在難以到達的環境中自動運行更長時間”，加州大學Irvine分校的Jeffrey Krichmar對此表示。

論文的結尾，作者寫到：“未來，我們將繼續研究神經形態計算硬件與機器人計算的結合，探索更多無人機器人的可能性。”

論文標題：Neuromorphic computing chip with spatiotemporal elasticity for multi-intelligent-tasking robots

DOI: 10.1126/scirobotics.abk2948?