解决这个问题的对策就是让这块芯片本身带有「智能」，即让它有自主性，能自己知道自己的状况并即时反馈。AI 芯片的一个主要属性就是自主性，它能够监控自己的状态、行为及外部环境，从而智能地进行调整，以及智能地自我「进化」。一般来说，AI 芯片可以通过传感、激励、自感知、自适应等组合实现自主性学习。本书第 11 章介绍的元学习是一种自学习，主要是指 AI 算法的自学习，而这里讲的自学习是硬件电路的自学习，它直接体现了芯片级的智能。这种自学习可以包含很多「自 ××」模式的功能范围。
这些「自 ××」概念，当年 ASIC 刚兴起的时候就有人提出，2003 年 IBM 的「自主计算」项目对此作了归纳，使其成为一个研究主题。研究人员已经将自感知、自配置、自修复、自组织和其他自我特征视为自主计算的基本属性。自 2011 年以来，不断有人提出和修改对于「自主性」及「自主计算」的定义 [214] 。自主计算的概念结构如图 12.1 所示。
图 12.1 自主计算的概念结构
带自主性的计算系统非常类似于训练和推理组成的 AI 系统，它包含以下几方面。
（1）学习模型：这些模型捕捉有关自身及其环境的知识（如架构、设计、状态、可能的行动和运行时行为）；
（2）使用模型推理（如预测、分析、决策、计划）：模型推理可以使这些模型能够按照目标等级，根据它们的知识和推理采取行动（如探索、解释、报告、建议、自适应或影响其环境）。
对于一个真正的自主性系统，持续、动态的学习是必不可少的。动物（包括人类）和植物能够从出生或发芽成长为高度发达的智能体或参天大树的一个主要原因是它们从细胞组织到个体的各个层面都在进行无休止的学习。如图 12.2 所示，学习带有许多单元和功能。它必须集成在传感器和监控节点中，体现在注意机制、决策制定、目标管理、执行和驱动，以及系统的几乎每个部分中。学习只有在有反馈信号
（本章节未完结，点击下一页翻页继续阅读）
正在加载...