专访虎妈的爸爸、忆阻器之父蔡绍棠

在 ASC19 超算总决赛期间，4月24日举办的“第21届HPC Connection Workshop国际超算高峰论坛”上，蔡绍棠教授发表了超算与忆阻器的演讲。（摄影：邸利会）

撰文 | 邸利会

“虎妈”这个名号可能很多人都知道，她曾因为写了一本教育子女的书《虎妈战歌》（Battle Hymn of the Tiger Mother）在欧美引起巨大争议——很多华人认为是习以为常的教育方式，在一般的美国人看来是过于严格了。

虎妈是耶鲁的法学教授，能培养出这样一位女儿，想必她的父亲也不简单。事实上，她的父亲的确很厉害。

她的父亲Leon Ong Chua（中文名蔡绍棠），是伯克利的教授，他在非线性线路理论和细胞式类神经网络理论上有很大的贡献，他发明的“蔡氏线路”第一次在实际中演示了混沌现象，而且他在1971年的文章中预测了忆阻器的存在，37年后，由惠普的一个研究小组得以实现，实际造出了这一器件，他被称为“忆阻器之父”。

在今年4月21-25日于大连理工大学举行的2019 ASC世界大学生超级计算机竞赛总决赛中，Leon作为大赛评委以及国际超算高峰论坛的演讲人也受邀出席，借此机会，《赛先生》采访了Leon教授，就当下火热的深度学习、类脑计算、忆阻器的发展甚至如何教育子女，询问了他的看法。

在4月25日的2019 ASC世界大学生超级计算机竞赛总决赛颁奖典礼结束后，蔡绍棠教授接受了《赛先生》的独家专访。

赛先生：今天我们谈人工智能，会认为卷积神经网络（Convolutional neural network, CNN）是一个基石，但很多研究者也在研究类脑计算，你怎么看待如此不同的两种途径，谁可以通向真正的人工智能？

Chua: CNN是否代表了未来？我想还需要再看几年。现在，能看到发表出来的一些好的结果，但炒的太热了。这些做的好的是一些简单的情形，即使是这些简单情形，依然不够实用，消耗了大量的金钱、能量和时间，学一些简单的任务就需要好几周、好几个月来学，整个过程是很昂贵和耗时的。

随着对大脑认识的逐步深入，我觉得真正的人工智能才刚刚开始。现在，没有人真正知道大脑是如何工作的，没有人知道为什么深度学习有效果，它就是有效果，不像之前那样能解释原因。如果能解释的话，就能证明，但现在还没有这样的知识。深度学习是实验上有效果，短时间内好像不太能找到原因（为什么有效果）。

即使（可解释）最后得到了解决，实际中，训练模型、找到最佳的参数，也是得花很长时间才能找到答案。因为在围棋上机器战胜了人类，深度学习获得了大众关注，令人印象深刻，但也是得花很大的能量、时间去训练一个人工智能的棋手。

CNN是有效果的，但不实用，这是我现阶段能说的。

我想类脑计算是未来的方向。不过，这取决于两个方面的同步发展，一是发展神经形态算法（neuromorphic algorithms），二是发展能实现这些算法的设备。

因为即使你有理论，依然需要花时间（才能得到结果），但如果你有设备，就像我今天提起的忆阻器，因为我们谈的是非常快的处理，不存在计算，（就会很快）。我们今天所有人工智能做的计算，都得计算机花很长时间来解方程。如果你用忆阻器作为一个重要部件，那就不会是解什么方程，它就是方程本身， 芯片自身、设备自身，方程就是答案。

首先，忆阻器非常小，如果要像脑一样处理，必须得小；第二，消耗的能量必须少，忆阻器消耗一点点能量，而且很快。今天符合这两点的（其他设备）还不存在，它们都需要用超级计算机去缓慢地解方程。

赛先生：细胞式类神经网络（Cellular neural networks，CNN），也称作CNN，和卷积神经网络有什么关系？

Chua: 你可以说，深度学习是几种神经网络的一般化。细胞式类神经网络是我大约35年前发明的， 第一本书就叫做《细胞式类神经网络》，甚至基本的方法在我的书里叫做模版（templates），人们或许不知道，因为那个时代不是人工智能的时代。有意思的是，卷积神经网络和细胞式类神经网络是同一个名字，但CNN这个词首次出现时，CNN电视台说我抄袭了他们，差点起诉我，然后我给他们一篇论文说，我们是比你们早的，早于伊拉克战争，我是第一个用CNN的，如果你仔细看卷积神经网络的方程，实际上是细胞式类神经网络的一般化。

赛先生：和我们分享一下1983年发明蔡氏电路的故事？

Chua: 那是一个非常重要的进展，在七八十年代的时候，大家对混沌很有兴趣，基本的论文是来自MIT的一位数学家Edward Norton Lorenz，他是第一个提出一个非常简单的非线性的方程，如果用计算机去解，答案是混沌的。通常，答案的解是周期性的。我们想象自然也是周期性的。如果是非常的非线性，可能结果就永远不是周期性的，那就必须持续永远进行下去，这叫做混沌。

这是一个非常基本的发现，之后几百篇论文相继发表，但都是从数学角度的，没有人用一个实际的机制或者说是机器可以真的看到混沌。我决定发明这种线路，希望能实现，第一，这是混沌的，第二，当数学上解决的话，能给出观察。这样，我就说服了所有人，混沌不仅仅是一个数学的概念，混沌是真的。

我知道，这样一个线路必须是非线性的，必须有至少三个动力要素，比如2个电容，1个电感。我决定设计这样的电路，不仅能表现混沌，而且是最简单的，如果不是最简单的，人们会感到害怕。因为我的背景是非线性电路理论，所以我知道怎么做。

这是第一个这样的线路，我发明了它，而且迄今还是最广泛使用的，最简单的。在其他的一些实际的系统，甚至是机械系统中，人们也发现有线路有混沌，但都太复杂了，可我的系统花5美金就可以做一个，非常便宜，也很容易理解。

这就是蔡氏线路，我没有以自己的名字命名，而是我的一位同事建议，你是第一个做出实现混沌的线路，建议在发表文章的时候题目中加我的名字。

赛先生：您预测存在忆阻器这样一个东西，37年后才被一个研究团队实现，为什么会经历这么久？

Chua: 在我1971年的论文中，我实际创造了3个（忆阻器），但这个被物理学家称作是对原理的证明（proof of principle），用了一个箱子大的线路，也需要电池，不是特别实用。要变的实用，需要用比较简单的材料造，去掉电池。为什么花了这么长的时间呢？原因是忆阻器要变得有效，必须要很小。

你知道摩尔定律，每两年的时间，晶体管数量翻一倍，速度翻一番，价格变成原来的1/2，这样经历了30多年的时间，但当晶体管越来越小，到纳米级时，再变小的同时要保持仍然工作就很困难，成本也增加了，因为受到了量子效应的影响。

而忆阻器的发展正好是变的越来越小，直到能工作。这就正好挽救了局势，因为必须非常小，才能让忆阻器有效果，这就像大脑一样，大脑有神经元，有突触，突触很小。别忘了我们是在纳米尺度上讨论问题，这就是为什么经历了这么长的时间，要达到这么小，就得等技术的发展，等无法用这样的技术造晶体管时，我们就可以用来做忆阻器，忆阻器是越来越小，但会越来越好。

赛先生：在后摩尔时代，我们看到很多技术在发展中，比如行业特定设计、量子计算、3D堆叠，也有新的材料，比如碳纳米管等，忆阻器在这片看起来混乱的情形中将扮演怎样的角色？

Chua: 量子是非常不同的另外一个门类，目前没有人能建造一个实用大小的东西，花费不菲，主要的应用在安全领域。碳纳米管、忆阻器以及其他设备，他们不是互相竞争，而是互相帮助，碳纳米管是二十年前的，现在仍然难，是因为很难在一个实际的系统中去用。这是忆阻器不一样的地方，如果你对建造类脑的机器感兴趣，如果要有这样一个机器，你必须用忆阻器，因为脑是这样工作的，你想拷贝大脑，至少得有如此行为的器件。

赛先生：说起存储技术，您觉得忆阻器、自旋器件、相变存储、flash等新的存储，您看好哪一种呢？

Chua: Intel 已经在做flash，相变存储也是一种忆阻器，只是不同的名字，即使是自旋器件也是忆阻器。所有今天的计算机，iPhones, 高性能计算机都是基于开关，有高压，有低压，有高的电流，低的电流，然后用0和1表示，所有的这些都得需要电，如果没有电，一切都没了。忆阻器不需要电，不需要用电压、电流、充电来表示信息，它用电阻，电阻是一种性质，它不需要电才有这个性质，性质就已经在那里了，所以忆阻器是独特的，不是易变的。所以，商业目的的投资就来了。相变存储是一个这样的产品，Intel已经在出售；富士通，一家日本的公司，已经在出售内存ReRAM（Resistive random access memory），其实也是忆阻器。

因为忆阻器是一个概念，不是一个发明，是一个发现。发明和发现是很不一样的。

最简单的一个例子，是哥伦布发现了新大陆，不是发明了新大陆。发明是短暂的，因为会有新的设备出现，然后旧有的就会被替代。但如果不是哥伦布发现了新大陆，也总会有人发现的，因为它已经在那了。忆阻器是一个概念，是一种发现，能经受时间考验而不变的，我想这个是很根本的不同。这些设备都是进一步的证明，他们都是忆阻器，所有的都是基于电阻作为信息，这是最需要澄清的。

赛先生：请您谈一下忆阻器的研究，过去有哪些里程碑，还需要哪些问题需要克服？

Chua: 第一个忆阻器是在我1971年的论文中出现的，然后37年间，没有发生什么，我把它称之为37年的漫长冬天。 2008年，惠普的R. Stanley Williams领导的一个团队首次造出了一个真实的忆阻器。他是我的英雄，他复活了忆阻器，要不然还在沉睡当中。当惠普在《自然》杂志发表这个论文后，每个人都很兴奋，大量的资金投入，开始着手做。首先，这个文章在《自然》发表，很多人觉得很重要；第二，这个时候的忆阻器已经比较小了，17纳米。你知道病毒很小，显微镜下都看不到，但最小的病毒才25纳米，比病毒还小。上个月刚刚发表的工作，已经有2纳米的忆阻器。

赛先生：很多研究者喜欢追逐流行的、热的题目，他们相信要不出版，要不灭亡，现在有关AI的论文已经成千上万，您有怎样的建议？

Chua: 我想首先说的是，深度学习是真的，但发太多论文了。虽然有几个令人印象深刻的例子，比如阿尔法狗，还有诊断癌症，这些很重要，但这些并不是深刻的东西，仅仅是暴力求解，只要做的足够，就会给你一个答案，而且很昂贵。要明白为什么深度学习有效，也不是那么容易。

赛先生：我们最后聊一下您的女儿，她或许比您还有名，虎妈。对于如何教育子女，您是怎么看的？

Chua: 如果你想达成某件让大家印象深刻的成绩，想在众人中出类拔萃，你就必须努力工作，你不会凭白无故的就获得一些东西。如果你真的想特别杰出，你还得牺牲。

她的书不是写怎么培养聪明的孩子，而是写她自己的故事。她是耶鲁的法学教授，她不需要写一本那么技术性的书，她是在休假的时候，没什么事，就写了这个故事，她没说，你们必须学我，但因为故事是真的，所以就引起了关注。

她有两个女儿，都很努力，大女儿每天练习6个小时的钢琴，在很小的时候，就在卡耐基音乐厅表演钢琴，要在那个地方表演，那是职业人士或者天才去的地方。但她女儿不是天才，但因为努力练习，就和一个优秀的音乐家一样好，她就被邀请去进行表演。这表示，努力工作会产生好的结果。

当然，这引起了很多批评，因为美国人很自由，他们不想孩子工作太努力，但你不能两边占便宜（You can't have your cake and eat it）。开始有很多邮件攻击她，但慢慢的人们明白了，我女儿的原意也不是倡导逼迫，她在电视上也解释了自己的看法。现在很多人也转变了他们的看法。现在这两个女儿都上了哈佛。

赛先生

启蒙·探索·创造

如果你拥有一颗好奇心

如果你渴求知识

如果你相信世界是可以理解的

欢迎关注我们

投稿、授权等请联系