电脑视觉与人工智能(AI)领域专家Filip Piekniewsk最近在其博客中发了警讯「AI Winter Is Well On Its Way」，其主要的观察点来自于自驾车发展的迟缓、深度学习的困境以及业内资源的异动。我对于其中提及业界氛围的转变认为深度学习只是一种进化而非革命颇表认同，但是对于其标题「人工智能凛冬将至」却有所保留，毕竟深度学习只是整体AI中的一环，虽然它曾在AlphaGo里程碑式的进展中大放异彩。
事实上AI的应用已经悄悄展开。虽然吴恩达不久前在推特上的「Should radiologists be worried about their jobs?」语带挑衅、惹翻了一竿子的人，但今年美国FDA先后在2月通过脑中风的辅助诊断、4月通过糖尿病病患眼睛黄斑部病变眼底血管造影(Fluorescent AngioGraphy；FAG)实时判读、5月通过骨折X光识别等AI医疗影像辅助工具。在二维影像识别上，应用的进展虽缓，但却是结结实实。后面的还有三维、动态影像的问题需要陆续要攻克。
异于用软件演算法模拟大脑对影像处理的方式－如卷积神经网络深度学习以硬件模仿大脑结构与运作方式，特别是神经元藉突触连接方式－的神经形态芯片迭有进展，前一阵子有英特尔的Loihi、以及epiRAM，其中epiRAM利用矽晶上磊晶形成的晶格错位所形成的通道，让银在通道中形成连线，模仿突触。(参见《神经形态芯片初试啼声》一文)
最近IBM则发表了用相对成熟的90纳米制程－2个PCRAM、1个电容和5个晶体管－组成的突触单元：
大脑中有短期突触和长期突触，短期突触用来做计算，长期突触用来学习和记忆。这神经形态芯片也有短期和长期突触，但是用途略有不同。电容和晶体管像是DRAM，可以快速读写，做短期突触，用来做训练。PCRAM读写速度较慢，但记忆久长，可以用做长期突触。当短期突触训练完成后，将学习结果加载PCRAM，可以维持很长的时间。
这突触单元虽然听起来复杂，但是比之前的所有神经形态网络的突触要小一半以上，因为使用半导体业相对熟悉的元件。用标准的图片组测试，其图片分类的准确度与在GPU上用卷积神经网络深度学习演算相当，但是能耗至少低了100倍。
深度学习可能碰到困境，自驾车发展容或不如预期，但是AI是一个非常广泛的领域，次领域的挫折不代表这个领域就会进入凛冬。AI本来就有很多的发展借助于人脑运作的模仿，单只是这个bio-inspired方向就会提供AI发展的新动力，上述的兼具长、短期突触的神经形态芯片就是个鲜活的例证。
现为DIGITIMES顾问，1988年获物理学博士学位，任教于中央大学，后转往科技产业发展。曾任茂德科技董事及副总、普天茂德科技总经理、康帝科技总经理等职位。曾于 Taiwan Semicon 任谘询委员，主持黄光论坛。2001~2002 获选为台湾半导体产业协会监事、监事长。
