什么是神经形态计算？

顾名思义，神经形态计算使用一种受大脑工作方式启发的模型。大脑是一个非常吸引人的计算模型：与大多数超级计算机不同的是，大脑是紧凑的，可以整齐地安装在大小不一的东西上，嗯。。。大脑所需的能量也远低于大多数超级计算机：你的大脑消耗大约20瓦，而福彩超级计算机需要28兆瓦，换句话说，一个大脑需要大约0.00007%的功能。当超级计算机需要精密的冷却系统时，大脑却坐在一个骨瘦如柴的外壳里，使其保持在37°C的温度https://www.techrepublic.com/resource-library/whitepapers/manageing-ai-and-ml-in-the-enterprise-2020-tech-leaders-increase-project-development-and-implementation/？ftag=CMG-01-10aaa1b“target=”unu blank“rel=”noopener noreferrer“data component=”externalLink“>在企业2020中管理AI和ML：技术领导者增加项目开发和实施（TechRepublic Premium）

真的，超级计算机以极快的速度进行具体计算，但大脑在适应能力上获胜。它可以写诗，在一瞬间从人群中挑选出一张熟悉的面孔，驾驶汽车，学习一门新语言，做出好的决定和坏的决定，等等。在传统的计算模式陷入困境的情况下，利用我们大脑所使用的技术可能是未来更强大的计算机的关键？

当今大多数硬件都基于von Neumann体系结构，它将内存和计算分离开来。因为冯·诺依曼芯片必须在内存和CPU之间来回穿梭信息，它们浪费时间（计算被计算和内存之间的总线速度所阻碍）和能量——这是一个被称为冯·诺依曼瓶颈的问题。

通过在这些冯·诺依曼处理器上塞入更多的晶体管，芯片制造商不得不很长一段时间以来，芯片的计算能力一直在增加，遵循摩尔定律。但是，晶体管进一步缩小的问题，它们的能量需求，以及它们散发出的热量，意味着芯片基本原理没有改变，这种情况不会持续太久。

随着时间的推移，冯·诺依曼体系结构将使我们越来越难实现我们所需的计算能力的增长。

为了跟上，需要一种新型的非冯·诺依曼建筑。量子计算和神经形态系统都被认为是解决方案，而神经形态计算很可能会更快地商业化。

除了潜在地克服冯·诺依曼瓶颈之外，神经形态系统还可以引导大脑的工作来解决其他问题。虽然冯·诺依曼系统基本上是串行的，但大脑使用大量的并行计算。大脑也比计算机更具容错性——研究人员希望在神经形态系统中模拟这两个优势。

那么，如何才能制造出一台像人脑一样工作的计算机呢？大脑中的神经细胞是如何快速感知信息的。如果你踩在一根针上，脚部皮肤上的痛觉感受器会发现损伤，并在与脚相连的神经元中触发一种被称为动作电位（action potential）的信号来激活。动作电位使神经元通过一个叫做突触的间隙释放化学物质，这种现象发生在许多神经元上，直到信息到达大脑。然后你的大脑会记录疼痛，在这一点上，信息会从一个神经元传到另一个神经元，直到信号到达你的腿部肌肉——然后你就可以移动你的脚了。

动作电位可以由大量的输入同时触发（空间），也可以由随时间累积的输入（时间）触发。这些技术，再加上突触之间巨大的相互联系——一个突触可能与一万个其他突触相连——意味着大脑能够快速有效地传递信息https://www.zdnet.com/article/neuromorphic-computing-finds-new-life-in-machine-learning/“target=”\u blank“>神经形态计算发现了新的机器学习中的生活

神经形态计算模拟大脑通过尖峰神经网络工作的方式。传统的计算是以晶体管为基础的，这些晶体管要么是开着的，要么是关的，要么是一个，要么是零。尖峰神经网络可以像大脑一样以相同的时间和空间方式传递信息，因此产生两种以上的输出。神经形态系统可以是数字的，也可以是模拟的，部分突触由软件或记忆电阻器。记忆抑制器在模拟大脑的另一个有用元素时也很有用：突触储存信息和传递信息的能力。记忆电阻器可以存储一系列的值，而不仅仅是传统的1和0，它可以模拟两个突触之间连接强度的变化。在神经形态计算中，改变人工突触的权重是让基于大脑的系统学习的一种方法。

随着记忆技术的发展，包括相变记忆、电阻RAM、自旋转移转矩磁RAM和导电桥RAM，研究人员也在寻找其他新的方法来模拟大脑突触，例如使用量子点和石墨烯？

对于计算量大的任务，边缘设备（如智能手机）目前必须将处理交给一个基于云的系统，它处理查询并将答案反馈给设备。有了神经形态系统，这种查询就不必前后分流，它可以在设备本身内部进行。

但也许神经形态计算投资的最大推动力是它对人工智能的承诺。

当前一代人工智能倾向于以规则为基础，在数据集上接受训练，直到学会生成特定的结果。但这不是人脑的工作方式：我们的灰质更容易接受模糊性和灵活性https://www.zdnet.com/article/neuromorphic-computing-could-solve-the-tech-industrys-looming-crisis/“>神经形态计算可以解决科技行业的隐忧危机

人们希望下一代人工智能能够处理更多类似大脑的问题，包括约束满足，在这种情况下，系统必须找到一个有很多限制的问题的最佳解决方案。

神经形态系统也可能有助于开发更好的人工智能适应其他类型的问题，如概率计算，系统必须处理噪音和不确定的数据。还有一些其他的，如因果关系和非线性思维，它们在神经形态计算系统中还相对不成熟，但一旦它们更加成熟，它们就可以大大扩展人工智能系统的用途。

今天是否有可用的神经形态系统？

是的，学术界、初创企业和一些科技界的大腕们已经在制造和使用神经形态系统。

英特尔有一个神经形态芯片，叫做Loihi，并用其中的64个制造了一个800万个突触系统，名为Pohoiki Beach，由800万个神经元组成（预计不久的将来将达到1亿个神经元）。目前，研究人员正在使用Loihi芯片，包括在Telluride神经形态认知工程车间（Telluride neurophyl Cognition Engineering Workshop），在那里，它们被用于人工皮肤的制作和电动假肢的开发。

IBM也有自己的神经形态系统，TrueNorth，发布于2014年，最后一次出现的是6400万个神经元和160亿个突触。虽然IBM对TrueNorth的发展情况一直比较沉默，它最近确实宣布了与美国空军研究实验室的合作，以创建一种‘神经形态超级计算机’被称为蓝色乌鸦。虽然实验室仍在探索这项技术的用途，但其中一个选择可能是制造更智能、更轻、能耗更低的无人机。

神经形态计算开始于一个研究实验室（加州理工学院的卡弗·米德），其中一些最著名的仍然在学术机构中。欧盟资助了https://www.humanbrainproject.eu/“target=”“blank”rel=“noopener noreferrer nofollow”data component=“externalLink”>人脑项目（HBP）是一个自2013年开始运行的为期10年的项目，旨在通过六个研究领域（包括神经形态计算）促进对大脑的了解。

HBP已经产生了两个主要的神经形态倡议，SpiNNaker和BrainScaleS。2018年，百万核心SpiNNaker系统投入使用，这是当时最大的神经形态超级计算机，大学希望最终将其放大到100万个神经元模型。BrainScaleS和SpiNNaker有着相似的目标，它的架构现在已经是第二代了，BrainScaleS-2

使用神经形态系统有哪些挑战？

从冯·诺依曼（von Neumann）到神经形态计算的转变不会没有实质性的挑战。

计算规范——例如，数据的编码和处理方式——都是围绕冯·诺依曼模型发展起来的，因此需要重新制定，以适应神经形态计算更为普遍的世界。一个例子是处理视觉输入：传统的系统将其理解为一系列单独的帧，而神经形态系统则将这些信息编码为随时间变化的视野https://www.techrepublic.com/resource-library/downloads/building-the-bionic-brain-free-pdf/？ftag=CMG-01-10aaa1b“target=”nu blank“rel=”noopener noreferrer“data component=”externalLink“>构建仿生大脑（免费PDF）（TechRepublic）

编程语言也需要从头开始重写。硬件方面存在挑战：新一代的内存、存储和传感器技术将需要创造出来，以充分利用神经形态系统。

神经形态系统甚至需要在硬件和软件的开发方式上进行根本性的改变，因为神经形态系统中不同元素之间的整合，例如记忆和处理之间的整合。

我们对大脑的了解是否足够，从而开始制造类似大脑的计算机？

神经形态计算背后日益增长的势头的一个副作用很可能是神经科学的进步：随着研究人员开始尝试用电子技术重建我们的灰质，他们可能会更多地了解大脑的内部工作，从而帮助生物学家了解更多关于大脑的知识，我们对人脑的了解越多，就可能为神经形态计算研究人员开辟更多的途径。例如，神经胶质细胞——大脑的支持细胞——在大多数神经形态的设计中并不是很重要，但是随着更多关于这些细胞如何参与信息处理的信息的信息被发现，计算机科学家https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5000710/“target=”noopener noreferrer nofollow“data component=”externalLink“>正在开始研究是否也应该在神经形态设计中发挥作用。

当然，还有一个关于日益复杂的工作的更有趣的问题在硅材料中模拟人脑是研究人员最终是否会重新创造或创造--意识机器。

使用数据科学和分析技术对抗儿童癌症，“pageType”：“article”}'>iPhone的一个鲜为人知的功能将彻底改变医生与您交谈的方式光环非常适合其医疗保健战略。这就是为什么

神经形态计算可以通过注册解决科技行业迫在眉睫的危机

，您同意
2023-03-22 10:04:24