发布时间

“预测未来的最好方法是创造未来。”——彼得·德鲁克，著名管理顾问和作家。

我们正在见证计算领域的巨大变革，朝着模仿我们大脑工作方式的新方向发展。这个名为神经形态计算的领域，可能会改变我们解决复杂问题和使用人工智能（AI）的方式。

神经形态计算的灵感来源于大脑的结构和运作方式。它旨在制造出在视觉、决策和学习等方面表现更佳的电子电路和系统。通过借鉴大脑高效的信息处理方式，我们可以制造出能耗更低、性能更优的计算机，从而更好地完成各种任务。

我们将深入探讨主要理念、最新发现，以及这一领域将如何改变科技。加入我们，一起看看构建类人脑计算机将如何改变未来。

神经形态计算：构建类脑计算机

关键精华

  • 神经形态计算 是一个旨在模仿人类大脑信息处理能力的新兴领域。
  • 目标是开发出先进的计算技术，使其在感知、决策和学习等任务上超越传统的数字系统。
  • 神经形态计算 利用大脑的 节能计算 和信息处理能力来创建低功耗、高性能的计算系统。
  • 英特尔的神经形态计算机 Hala Point 执行 AI 工作负载的速度比传统计算系统快 50 倍，能耗却降低 100 倍。
  • 研究人员正在探索各种材料，包括石墨烯和全氟磺酸，以开发性能和能源效率更高的类脑计算设备。

什么是神经形态计算？

神经形态计算是一个融合生物学、物理学、数学、计算机科学和工程学的领域。它的目标是创建像人脑一样工作的神经网络系统。神经形态工程则着眼于如何利用大脑的结构和功能来构建更优秀的计算系统。

人脑的定义和启示

人脑极其复杂，拥有数十亿个神经元和数万亿个连接。神经形态计算试图模拟大脑处理信息的方式。它着重研究神经元如何协同工作，并使用脉冲神经网络来处理基于时间的任务。

神经形态工程的关键方面

  • 模拟生物计算的模拟性质
  • 了解神经元在认知中的作用
  • 利用 脉冲神经网络 HPMC胶囊 时间计算
  • 设计 受大脑启发的架构 高效、坚固 认知计算
  • 利用 人工神经网络 创建 神经形态工程 系统

神经形态系统的工作方式类似于大脑中的神经元和突触。这可以使它们比传统计算机更高效、适应性更强，并且能够更好地处理错误。

属性神经形态计算传统计算
能量消耗高度节能，仅需传统系统所需电力的一小部分能源密集型，世界上最快的超级计算机需要 21 万瓦的电力
加工方式并行处理，神经元和突触同时处理记忆和计算顺序处理，采用冯·诺依曼架构将内存和 CPU 分开
实时响应能够实现“即时”响应，非常适合实时传感器数据处理和物联网应用由于处理器和内存之间不断循环，导致响应时间变慢
模式识别擅长模式识别，因为 大规模并行处理 能力与神经形态系统相比，模式识别能力有限

尽管存在精度、软件限制和访问问题等挑战，神经形态计算正被探索用于多种用途，包括人工智能、自主系统、新型半导体和深度学习。

“人们相信，电源效率问题是解开大脑秘密和理解大脑如何以最小的能耗实现如此高水平功能的关键。”

大脑的超级计算能力

人类大脑是一个令人惊叹的自然奇迹，就像一台超级计算机。它只使用 20 瓦的功率，但可以完成令人难以置信的任务。这些任务包括处理信息、感知世界和做出决策。这比世界上最快的超级计算机效率高得多，后者需要 21 万瓦的功率。

科学家们对大脑的运作方式非常感兴趣。他们研究大脑的计算方法，以改进未来的计算机和算法。通过研究大脑如何运用并行处理、时间计算以及如何提高能源效率，他们希望在“脑即超级计算机”领域取得重大进展。

神经形态计算机性能能量消耗
哈拉角每秒 380 万亿次突触操作比传统机器节省 100 倍的能源
深南每秒 228 万亿次突触操作在标准服务器机箱中仅占用六个机架
惠普企业前沿每秒超过一千万亿次运算占地 680 平方米，运行需要 22.7 兆瓦

大脑作为超级计算机比传统超级计算机节能得多。这展现了神经形态计算的巨大潜力。随着研究人员不断改进这项技术，我们可以期待未来计算机和人工智能将更加高效强大，并受到人脑的启发。

“人脑仅需20瓦的功率就能完成与超级计算机相同数量的运算。”

弥合大脑与人工智能系统之间的差距

神经形态计算旨在弥合大脑计算能力与传统数字系统局限性之间的差距。它着重于能量比例性，即各个部件仅在需要时才消耗能量。此外，它还关注大规模并行处理，即同时在多个神经元上处理信息。

SpiNNaker2 芯片：灵活的神经形态平台

SpiNNaker2芯片是一款尖端的神经形态平台。它最多可处理10亿个神经元，并能执行0.3 exaops的AI任务。这表明神经形态硬件能够超越传统系统。

其前身 SpiNNaker1 芯片已被 60 个国家的 23 个研究小组使用。这表明人们对这些系统的兴趣日益浓厚。

桑迪亚国家实验室是首批使用 SpiNNaker2 进行研究的机构之一。他们计划研究神经形态系统如何超越传统系统。SpiNNaker2 支持旧系统无法实现的复杂学习规则。

普渡大学、加州大学圣地亚哥分校（UCSD）和巴黎高等物理化学与工业化学学院（ESPCI）正在开展合作研究。普渡大学教授埃里克·卡尔森指出，目前的计算机在高级人工智能方面存在局限性。他认为，神经形态硬件解决方案的需求十分迫切。

脉冲神经网络和时间计算

神经形态计算的核心是脉冲神经网络（SNN）的概念。这类网络利用电脉冲（或称“尖峰”）的时序来编码信息，这与使用连续神经元激活的传统人工神经网络截然不同。这种基于脉冲的方法是理解我们大脑运作机制的关键，并有望催生更高效、更智能的计算系统。

基于脉冲的通信和信息编码

神经形态系统利用信息的时序性，在某些任务上比传统的数字系统处理信息的效果更好。它们模仿大脑高效利用能量的方式，根据当前活动调整能量消耗。脉冲神经网络比传统神经网络能耗更低，因为它们只在需要时才工作。这意味着它们总体能耗更低。

  1. Speck 神经形态芯片在不工作时消耗的电量非常小，仅为 0.42mW，这表明它非常节能。
  2. 该芯片仅使用 0.70mW 即可实时处理任务，证明其在实际使用中非常高效。
  3. SpiNNaker、BrainScales、Neurogrid、TrueNorth、Darwin、Loihi 和 Tianjic 等平台使用 基于尖峰的通信 以节省能源。
  4. Speck 芯片可以在短短 3.36µs 内处理单个脉冲，这表明它的速度很快 基于脉冲的机器智能.

脉冲神经网络非常擅长处理随时间变化的序列和模式。这使得它们能够更好地理解上下文以及事物的变化。它们利用诸如脉冲时序依赖可塑性（STDP）之类的机制从数据模式中学习。这有望催生出能够随着时间推移不断学习并逐步提升的人工智能。

“与传统的冯·诺依曼计算范式相比，神经形态计算有望将能源效率提高几个数量级。”

神经形态计算：构建类脑计算机

神经形态计算领域致力于制造像人脑一样工作的计算机。它利用大脑高效的信息处理方式来制造新型计算机。这些计算机能够比传统计算机更好地完成诸如视觉、决策和学习等任务。

神经形态计算改变了我们设计计算机的方式。它摆脱了以前一步一步处理信息的旧系统。相反，它利用大脑同时处理多项任务的方式。这使得计算机消耗更少的能源，并能更好地完成某些任务。

神经形态计算能够解决传统计算机无法解决的问题。它通过将内存和处理单元合二为一来实现这一点。这意味着计算机可以运行得更快，能耗更低。

这并非遥不可及的梦想，而是正在逐步变为现实，这要归功于诸如“人脑计划”和“脑计划”等项目。IBM 和英特尔等公司也在积极研发，他们开发的 TrueNorth 和 Loihi 等芯片充分展现了这项技术的强大潜力。

神经形态计算正引领我们在人工智能和机器人领域取得新的发现。通过模仿大脑，我们或许能够制造出改变我们解决复杂问题和与世界互动方式的计算机。

克服冯·诺依曼瓶颈

如今大多数计算机都采用冯·诺依曼架构，其中内存和CPU是分离的。这种被称为冯·诺依曼瓶颈的架构效率较低。数据需要在处理器和内存之间来回传输，造成能源浪费。然而，大脑将记忆和计算功能整合在一处，因此效率极高。神经形态计算致力于研究以内存为中心的架构和内存计算，以模拟大脑的高效运作。

以内存为中心的架构和内存计算

与当今的超级计算机不同，大脑消耗的能量非常少。这是因为它处理信息时无需在内存和处理单元之间移动数据。神经形态计算旨在通过专注于以内存为中心的架构和内存计算来实现这一点。这些方法使计算更靠近数据存储的位置。

这些神经形态结构具有一些关键特征：

  • 空间和时间数据处理，灵感来自大脑 尖峰神经网络
  • 高度并行和分布式信息处理，类似于大脑的大规模互联互通
  • 使用新兴存储技术（如忆阻器）来创建具有学习和适应能力的人工突触

IBM的TrueNorth芯片和欧盟人脑计划的SpiNNaker和BrainScaleS系统等项目正在引领神经形态计算的发展方向。它们的目标是使人工智能系统达到与大脑相同的效率和规模。

神经形态计算

克服冯·诺依曼瓶颈是释放神经形态计算全部潜力的关键。其目标是使计算机像人脑一样高效。

神经形态视觉传感器和基于事件的处理

神经形态计算在视觉传感器和处理系统方面取得了巨大进步。这些系统像大脑一样工作，实时处理信息。这与一直捕捉和处理一切事物的旧相机不同。

这些被称为事件驱动型视觉传感器（EVS）的视觉传感器，仅对所感知到的变化做出反应。它们像我们的大脑一样，以脉冲形式发送信息。这使得它们非常适合需要快速、低功耗视觉的应用，例如机器人、自动驾驶汽车和智能设备。

对比传统相机神经形态视觉传感器
数据处理持续捕捉并处理视觉信息事件驱动，只响应场景的变化
能源效率更高的功耗高度 节能感知
应用通用成像机器人、自动驾驶汽车、物联网设备

神经形态视觉传感器和基于事件的处理技术具有巨大的优势。索尼半导体解决方案集团等公司以及PROPHESEE等初创公司正引领着这一领域的发展。他们结合各自的技术优势，研发出先进的神经形态视觉传感器。

“基于事件的视觉传感器可以实时监控高速移动的物体，并有望增强人工智能和机器人的能力。”

我们需要更高效、更快速的机器视觉系统。神经形态视觉传感器和基于事件的处理技术前景广阔。通过学习人眼的工作原理，这些技术有望引领脉冲神经网络和节能感知技术走向更智能、更环保的未来。

忆阻器技术和电阻式 RAM

忆阻器和阻变式随机存取存储器（RRAM）等新型存储技术正在改变神经形态计算的格局。它们像我们大脑的突触和神经元一样工作，以类似大脑的方式将记忆和计算融合在一起。

神经电晶体和仿生设备

科学家们已经制造出了神经晶体管，这种装置的功能类似于我们的大脑细胞。它们可以成为神经形态系统的关键组成部分。这些装置和技术非常适合制造高效强大的神经形态计算机。

该芯片有 5,832 个忆阻器、一个 OpenRISC 处理器和大量转换器。它仅使用 300 毫瓦多一点的功率，每瓦每秒可执行 188 亿次操作。如果采用更新的技术，它仅使用 42 毫瓦，而且性能更好，无需额外的内存。

芯片能量消耗性能
基于忆阻器的芯片300毫瓦188 GOPS/周
基于40纳米工艺的忆阻器芯片42毫瓦1.37 顶/周
Nvidia最新研发AI加速器芯片无9.09 顶/周

中国研究人员在神经形态计算领域取得了长足进步。他们利用忆阻器技术和阻变式随机存取存储器（RRAM）。这项工作由长春理工大学紫外发光材料与技术重点实验室和理学院牵头开展。

“基于忆阻器的芯片通过无监督学习区分恶性肿瘤和良性肿瘤的准确率达到了 94.6%。”

主要研究项目及计划

神经形态计算对世界各地的研究人员和技术领袖来说意义重大。他们已经启动了许多大型项目和计划。这些努力旨在充分利用类脑计算，推动该领域的发展。

人类大脑计划和 BRAIN 计划

人脑计划是由欧盟委员会资助的一项耗资1.3亿美元的庞大项目。其主要目标是在超级计算机上模拟完整的人脑。这将有助于我们了解大脑的运作机制，并催生新的计算技术。在美国，脑计划（BRAIN Initiative）也在致力于利用大脑知识来设计新的计算系统。

IBM 的 TrueNorth 芯片和英特尔的 Loihi

科技界的巨头们也纷纷涉足神经形态计算领域。IBM 和英特尔已经制造出能够复制大脑神经网络的芯片。这些芯片可能会改变我们使用技术的方式，从智能手机到自动驾驶汽车。

项目/计划资金重点关注
人类脑计划1.3亿美元（欧盟委员会）超级计算机中人脑的模拟
脑计划由美国政府资助利用大脑研究开发新型计算架构
IBM TrueNorth 芯片IBM 内部研发专门 神经形态硬件 平台
英特尔 Loihi 芯片英特尔内部研发专门 神经形态硬件 平台

这些大型项目和技术创新为神经形态计算的未来奠定了基础。这将改变我们处理信息和解决问题的方式。

神经形态计算研究

挑战与未来展望

神经形态计算领域正在蓬勃发展，但也面临着巨大的挑战。它的目标是在人工系统中模拟人脑的复杂性，这意味着要将大脑的复杂网络转化为可运行的硬件和软件。

一大挑战是将新的存储技术（如忆阻器）与这些系统相结合。另一个障碍是让这些系统像人脑一样强大。此外，缺乏测试这些系统的标准，这减缓了它们的使用。

尽管面临这些挑战，类脑计算的前景依然光明。随着神经形态计算的发展，它有望催生出节能高效的类脑计算系统。这些系统将比现有计算机更有效地解决复杂问题，并可能改变从科技到医疗保健等诸多行业。

专家表示，我们需要更多支持、团队合作和创新理念，才能使神经形态计算普及应用。有了适当的支持，这项技术有望改变我们使用计算机和人工智能的方式。

“神经形态计算可以为机器人、自动驾驶汽车和智能设备提供动力，同时使用的处理能力比现有技术要少得多。”

神经形态计算面临着巨大的挑战，但其带来的益处也十分巨大。随着专家和领军人物在该领域的不断探索，我们将看到节能高效、仿生脑的计算系统。这些系统将彻底改变人工智能及其他领域。

结语

神经形态计算正在改变我们对计算机的看法。它受到人类大脑惊人能力的启发。这些系统在许多方面都比旧计算机做得更好，例如观察、决策、学习和解决问题。

神经形态计算利用大脑高效的信息处理方式，采用并行处理技术并能长期存储数据，这使其非常适合解决复杂问题。它有望变革人工智能、机器人、医疗保健和神经科学等领域。

研究人员仍在不断从大脑中汲取灵感，以开发出更优秀的人工智能系统。神经形态计算和类脑计算的未来前景十分光明。通过更多的工作和团队合作，我们可以充分利用这些新技术，从而带来更智能、更灵活、更节能的解决方案。

常见问题解答

什么是神经形态计算？

神经形态计算是一个新领域，旨在使电子系统像大脑一样工作。它利用大脑处理信息的方式使计算机更高效。目标是创造能耗更低、性能更好的先进技术。

神经形态工程的关键方面是什么？

它着重探讨如何利用大脑的设计来改进计算机。关键点包括：模仿大脑的模拟计算方式、理解神经元的工作原理，以及利用脉冲神经网络来提高时序控制的准确性。

大脑的计算能力与传统的超级计算机相比如何？

大脑被视为最强大的超级计算机，仅使用 20 瓦就能完成惊人的任务。相比之下，最快的超级计算机则使用 21 万瓦。

神经形态计算如何弥合大脑与人工系统之间的差距？

它利用大脑处理信息的有效方式来使新电脑变得更好。这包括使用更少的能量和并行工作，这可以使电脑比旧电脑更好。

脉冲神经网络在神经形态计算中扮演什么角色？

脉冲神经网络是这一领域的关键。它们使用电脉冲来发送信息，这可以使计算机更高效，更能从大脑中获取灵感。

神经形态计算如何解决冯诺依曼架构的局限性？

大脑将记忆和计算结合在一起，效率极高。神经形态计算也在研究如何做到这一点，让计算机的工作方式更像大脑。

新兴记忆技术在神经形态计算中扮演什么角色？

记忆电阻和 RRAM 等新存储技术非常重要。它们可以充当脑细胞和连接，帮助以类似大脑的方式混合记忆和计算。

神经形态计算领域有哪些主要的研究项目和计划？

“人脑计划”是一项旨在利用超级计算机模拟人脑的大型项目。美国的“脑计划”（BRAIN Initiative）也在致力于基于大脑的新型计算理念。IBM和英特尔等公司正在研发有助于该领域发展的芯片。

神经形态计算面临的挑战和未来前景是什么？

这个领域前景广阔，但也面临巨大挑战，比如如何让人工网络变得和真实网络一样复杂。随着它的发展，可能会出现更高效的类脑计算机，它们能够比现有的计算机更好地解决复杂问题。

源链接