前面讨论的 AI 芯片主要是指深度学习加速器，深度学习也是目前最流行的 AI 算法。深度学习的「起家本事」同时也是它最「得心应手」的应用是图像或语音识别，这方面有大量的研究，也有大量成功的应用例子，并正在形成一个很大的产业。然而，要让 AI 取代人类执行更多的任务，还有许多应用领域需要覆盖，其中一个非常关键的领域是解决组合优化或多目标优化问题。这个问题涉及人类生活、工作的方方面面。解决这个问题并不是深度学习算法本身的特长。
另一方面，随着摩尔定律走向终结，传统冯·诺依曼计算架构的性能增长已经放缓，而对于 AI 系统高性能、低功耗、低时延、低成本等方面的要求越来越高。这些问题也不是深度学习所能解决的，恰恰相反，正是深度学习的不断发展和扩展造成了这些问题。说到底，这些问题大部分也是组合优化问题。因此，如果能把优化算法与深度学习算法组合在一起，就可以形成一个比较完美的解决方案。
为了解决组合优化问题，从二十世纪八九十年代开始，就已经有科学家提出了一种新的计算模式，称为自然计算。自然计算是指从自然界所蕴含的丰富的信息处理机制中，提取出相应的计算模型，再设计成相应的算法应用于相关的领域。自然计算涉及的面非常广，涵盖多个学科，包含几百种算法和计算框架，可以分成物理、化学、生物、人文社会等多个层面。基于神经网络的 AI 芯片也是自然计算的一种，属于生物层面（仿生），蚁群算法、自组织算法、灰狼算法、狮子算法也属于生物层面；模拟退火、光子计算、量子计算、黑洞算法等属于物理层面；而模糊计算、文化算法、足球世界杯算法等属于人文社会层面。本书第 10 章将要介绍的伊辛计算使用超导体也是自然计算的一个例子。
自然计算首先将问题映射到以内在收敛特性为特征的自然现象，然后使系统达到收敛，观察结果，并得到原始问题的解。自然计算不是逐步解决问题，因此它不会受到运行速度停滞的阻碍。
本章将重点介绍属于自然计算的自组织算法、群体算法（包含烟花算法）及其与 DNN 的结合和应用。进化算法及遗传编程属于自然仿生的重要算法，将在第 12 章里作较详细的讨论。
（本章节完结）
正在加载...