、

「在已知的宇宙中，人類的大腦是最復雜的東西，它復雜得讓試圖解釋它的簡單模型可笑，讓精致的模型無用。」

這是杜克大學認知神經科學中心的斯科特 · 胡特爾被廣為引用的一句名言。

在馮諾依曼架構觸頂、摩爾定律不再適用的當下，工程師們愈發意識到，模擬人腦神經網絡或許才是人工智能的未來。近 10 多年來受人腦啟發逐漸發展的神經擬態計算，到底是怎么一回事？

模糊學習與神經復刻

首先，要了解神經形態技術，有必要快速了解一下大腦的工作原理。

信息以電信號的方式，通過神經元突觸在大腦中傳遞。和傳統計算機通過晶體管的開關來傳達信息相同，神經中電信號的傳遞也只有 0 和 1 兩種狀態。

但不同于傳統計算機的一點是，雖然單個神經元只有放電 / 非放電兩種狀態，但神經元集群能夠以集體放電的方式來調控信號的強弱。同時，神經元放電具有強關聯性，經常同時放電的神經元能夠建立更密集的連接。

簡單來說，大腦的神經網絡能夠從強度、時效等方面更豐富地表達信息。因此在缺少明確定義、語義模糊的現實場景中，神經形態模擬計算無疑具有更高的靈活性和分析能力。

圖：同時放電的神經元 | Medical Xpress

除了更細膩、豐富的信息傳導以外，神經擬態計算對硬件層面的要求十分高。傳統的馮諾依曼架構下，信息的處理和儲存在物理上是分開的。而神經元之所以擁有極高的信息傳導效率，很大一部分原因是因為信息的處理和存儲一體化。

這種設置讓信息不用在處理器和存儲之間來回穿梭，節省了大量的時間和能耗。而在目前的神經擬態領域中，硬件的模擬距離真實的大腦還十分遙遠。因此，現實中的神經形態模擬更多地停留在程序和功能層面上。

現實中的神經形態模擬

一些學者、初創公司和科技巨頭已經在制造和使用神經形態系統。

英特爾有一個名為 Loihi 的神經形態芯片，已經開發了一個名為 Pohoiki Beach 的突觸系統，其中包含 800 萬個神經元（預計在不久的將來會達到 1 億個神經元）。

Loihi 的微代碼（其芯片級指令）于 2017 年 9 月首次宣布，并于次年 1 月在 CES 2018 上正式首發，其中包括專門為訓練神經網絡而設計的語句。設計組明確將其描述為對神經形態過程的模擬，而不是真正的功能實現。

圖：Loihi | Tim Herman for Intel Corp.

Loihi 的設計被稱為「受大腦啟發」。這可能有點像說，「靈感來自一個真實的故事」，因為這些指令是微編碼的，而不是實體的連接。

如上圖所示，由 64 個 Loihi 芯片組成的集群形成了一個神經形態加速器。該加速器于 2019 年 7 月向研究界提供。目前，研究人員正在使用 Loihi 芯片制造人造皮膚和開發動力假肢。

IBM 也擁有自己的神經形態系統 TrueNorth，該系統于 2014 年推出，擁有 6400 萬個神經元和 160 億個突觸。雖然 IBM 后來沒有太多曝光 TrueNorth 的進展，但它于 2020 年宣布與美國空軍研究實驗室合作創建名為 Blue Raven 的「神經擬態超級計算機」 。該實驗室仍在探索這項技術的用途，初步選擇制造更智能、更輕、能耗更低的無人機。

與 Loihi 一樣，TrueNorth 與其說是物理上的神經形態，不如說是神經形態原理的模擬器。

「這些神經網絡最吸引人的屬性是它們可以移植到神經形態的硬件中，」 2018 年 9 月 IBM 神經形態專利申請中寫道，「它可以部署在移動設備和本機傳感器中，可以實現實時的低功耗。神經形態計算展示了一種前所未有的低功耗計算基板，可用于許多應用程序。」

神經形態計算始于加州理工學院的 Carver Mead 實驗室。目前，世界上最著名的神經形態計算實驗室仍然在學術機構中。例如，歐盟資助的人腦計劃項目 ( HBP ) ，自 2013 年開始運行，預計為期 10 年，旨在研究包括神經形態計算在內的六個領域以促進對大腦的理解。

HBP 促成了兩項主要的神經形態計劃，SpiNNaker 和 BrainScaleS。

2018 年，一個百萬核的 SpiNNaker 系統上線，這是當時最大的神經形態超級計算機，是由德國工程師與 Jülich 神經科學和醫學研究中心、英國曼徹斯特大學合作研發的百萬核計算系統。該項目希望最終將其擴大到對 100 萬個神經元進行建模。

SpiNNaker 模擬哺乳動物大腦中神經元的連接方式，來實現大腦皮層細微的神經電路功能。

圖：SpinNNaker | zdnet.com

正如 SpiNNaker 名字中的大寫「NN」所強調的那樣，系統希望實現脈沖神經網絡 ( SNN ) 的作用。該系統特別適用于神經形態架構，因為它直接作用于人造突觸的可塑性。正如曼徹斯特大學研究員 Andrew Rowley 在 2019 年 11 月的一次會議上解釋的那樣，「我們想要制造的是一臺擁有一百萬個類似手機處理器的百萬核機器，和 1% 人腦或 10 只老鼠大腦的處理水平相當。」

和 SpiNNaker 一樣，BrainScaleS 喜歡把大寫字母混在一起，也得到了歐盟人腦計劃的資助。但與 SpiNNaker 不同的是，BrainScaleS 是一項長期運行的、位于德國海德堡的項目，旨在把 SpiNNaker 進行數字模擬的模型部署到物理建模的仿生平臺。該平臺的基礎自己研發的集成電路芯片。

圖：BrainScaleS 芯片 | zdnet.com

根據 2020 年 5 月提交給歐盟的文件，完全組裝后的 BrainScaleS 由五個 19 英寸機架組成，總共支持 20 個晶圓模塊（服務器）加上電源和冷卻器。每個晶片模塊包括 384 個處理器，每個處理器代表 512 個神經元的 114,688 個突觸。神經元一般會自動「放置」在晶片上，但也可以使用 Python 的 morocco 插件手動指定神經元的放置位置。

神經形態系統有哪些挑戰？

從馮諾依曼架構轉向神經形態計算并非沒有重大挑戰。

現行的計算規范，例如數據的編碼和處理方式，都是圍繞馮諾依曼模型發展起來的。因此，想要搭建切實可行的神經形態系統需要對大量數據進行重新設計。例如，傳統系統處理視覺輸入時，會將數據理解為一系列單獨的幀，而神經形態處理器會將此類信息編碼為隨時間變化的視場（ VF, visual field ） 。

編程語言也需要從頭開始重寫。由于硬件方面存在的挑戰，需要能夠更好地適應神經形態設備的新一代的內存、存儲和傳感器。

神經形態技術甚至可能需要從根本上改變硬件和軟件的開發方式。神經形態硬件中不同元件的集成方式都和傳統芯片不同，例如內存和處理器的集成等，都需要重新設計。

我們準備好制造類腦計算機了嗎？

神經形態計算可能會帶來神經科學的進步。隨著研究人員開始嘗試在電子設備中重建神經元，他們可能會更多地了解大腦的內部運作，從而幫助神經學家更多地了解大腦。

同樣，隨著我們對人類大腦的了解越多，神經形態計算也可能會開辟更多的途徑。例如，神經膠質細胞 ( glia neurons ) —— 大腦的支持細胞 —— 在大多數神經形態設計中的重要性并不高，但隨著這些細胞在信息處理過程中的作用逐漸被發現，計算機科學家開始研究它們是否也應該被加入到神經形態系統中。

當然，關于在硅中模擬人腦的日益復雜的工作，更有趣的問題之一是研究人員最終是否可能最終在機器中重新創造意識。對于這個問題，HyperTech 之前也進行過探討。在這篇文章里，我們從意識的定義、人腦的認知等方面討論了能夠打乒乓球的「缸中之腦」是否可被稱作具有意識。單就目前神經形態模擬和類腦培育方面的成就而言，談論機器是否具有意識還為時尚早。但在未來，真正的「創造」或許已經在路上。