石头剪刀布常常是心理、反向心理学、反向反向心理和运气的游戏。但如果电脑能足够理解你，每次都能赢呢？北海道大学和以磁带闻名的TDK公司（均位于日本）的团队设计了一款能够实现这一功能的芯片。
好吧，芯片不会读你的心思。它使用放置在拇指上的加速度传感器来测量你的动作，最终确定哪些动作代表纸、剪刀或石头。令人惊讶的是，一旦芯片训练好你的具体手势，就能计算你在说“shoot”的时间内会做什么，从而实时击败你。
这一壮举背后的技术称为储层计算，这是一种利用复杂动力系统从时间序列数据中提取有意义特征的机器学习方法。储层计算的概念可以追溯到1990年代。随着人工智能的发展，由于储量计算相对低功耗且具备快速训练和推理的潜力，人们重新受到关注。
TDK部门主管兼高级经理佐佐木奉幸表示，研究团队将功耗视为目标。“第二个目标是延迟问题。对于边缘人工智能来说，延迟是一个巨大的问题。”
为了最大限度地降低设备的能量和延迟，团队开发了一种模拟储量计算电路的CMOS硬件实现。团队于十月在日本千叶举行的先进技术联合展会上展示了他们的演示，并计划本周在圣地亚哥的国际重启计算大会上发表论文。
什么是储层计算？储量计算机最好通过与传统神经网络形成对比来理解，后者是当今人工智能的基本架构。
神经网络由人工神经元组成，按层排列。每一层都可以看作一列神经元，列中的每个神经元通过加权人工突触连接到下一列的所有神经元。数据进入第一列，从左向右一层传递，直到最后一列。
训练过程中，最终层的输出与正确答案进行比较，利用这些信息调整所有突触的权重，这次是逐层倒推，这一过程称为反向传播。
这种设置有两个重要特点。首先，数据只能向前传播。没有环形结构。其次，连接任意一对神经元的所有配重在训练过程中都会被调整。这种架构被证明极为有效且灵活，但成本也较高;调整有时耗费数十亿个砝码既耗时又耗费精力。
储层计算同样由人工神经元和突触构建，但它们的排列方式根本不同。首先，没有层次——神经元之间以复杂的网络状连接，充满了许多环路。这为网络注入了一种存储器，使特定输入能够不断返回。
其次，油藏内部的连接是固定的。数据进入储层，穿过其复杂结构，然后通过一组最终突触连接到输出。只有最后一组突触及其重量在训练中会被调整。这种方法大大简化了训练过程，完全消除了反向传播的需求。
鉴于储层是固定的，且唯一训练的部分是从储层到目标输出的最终“平移”层，这些网络能有用似乎简直是个奇迹。然而，对于某些任务，它们已被证明非常有效。
加州大学圣塔芭芭拉分校计算机科学助理教授Sanjukta Krishnagopal表示：“它们绝不是机器学习工具箱中最优的通用模型，他并未参与这项工作。但对于预测行为混乱的事物的时间演变，比如天气，它们是合适的工具。“这正是储量计算的精彩所在。”
原因是水库本身有些混乱。“你的水库通常处于所谓的混沌边缘，这意味着它可以用非常小的神经网络简单地代表大量可能的状态，”克里希纳戈帕尔说。
物理储量计算机水库内部的人工突触是固定的，不需要进行逆向传播。这给水库的实现留下了很大自由度。为了建造物理水库，人们使用了各种介质，包括光、微电系统设备，以及我个人最喜欢的“水桶”。
然而，北海道和TDK团队希望打造一款兼容CMOS的芯片，用于边缘设备。为了实现人工神经元，团队设计了一个模拟电路节点。每个节点由三个组件组成：一个非线性电阻、基于MOS电容的存储元件和一个缓冲放大器。他们的芯片由四个核心组成，每个核心由121个此类节点组成。
将节点以复杂的循环模式连接起来非常困难。为了降低复杂性，团队决定采用所谓的简单循环水库，所有节点连接成一个大环路。先前研究表明，即使是这种相对简单的构型，也能模拟各种复杂动力学。
作者表示，团队利用该设计制造出每核仅耗20微瓦功耗，总功耗80微瓦的芯片——远低于其他兼容CMOS的物理储量计算设计。
预测未来除了在石头剪刀布上击败人类外，储量计算芯片还能预测时间序列中许多不同领域的下一步。“如果今天发生的事情受到昨天的数据或其他过去数据的影响，它可以预测结果，”佐佐木说。
团队在多项任务中展示了芯片的能力，包括预测一个著名的混沌系统——物流地图的行为。团队还在现实中典型的混乱例子中使用了该装置：天气。在这两个测试案例中，芯片都能以惊人的准确度预测下一步。
然而，预测的精确度并不是主要卖点。该芯片极低功耗和低延迟，有望开启一系列新的应用，如可穿戴设备及其他边缘设备的实时学习。
“我认为预测实际上和现有技术是一样的，”佐佐木说。“不过，功耗和作速度可能比现有AI快10倍。这是个很大的差距。”