神经形态计算可以将技术行业的所有内容完全从编程语言转换为硬件。

什么是神经形态计算?

顾名思义，神经形态计算使用的模型受大脑运作的启发。

大脑是一个真正吸引人的计算模型：与大多数超级计算机不同，大脑充满了房间，而紧凑的大脑恰好适合大小如头的东西。

大脑还比大多数超级计算机需要更少的能量：您的大脑消耗约20瓦的电能，而Fugaku超级计算机则需要28兆瓦-换句话说，大脑需要占Fugaku约0.00007%的电源。超级计算机需要精心设计的冷却系统，而大脑则位于一个骨质外壳中，将其保持在37°C的温度下。

的确，超级计算机可以快速进行特定的计算，但是大脑在适应性上胜出。它可以写诗，瞬间从人群中挑出熟悉的面孔，开车，学习新的语言，做出好的决定和坏的决定等等。借助传统的计算模型，我们的大脑所使用的控制技术可能会成为未来强大得多的计算机的关键。

为什么我们需要神经形态系统?

当今，大多数硬件都基于冯·诺依曼架构，该架构将内存和计算分开。由于冯·诺依曼芯片必须在内存和CPU之间来回传递信息，因此它们浪费时间(计算和内存之间的总线速度阻碍了计算)和能量-这个问题被称为冯·诺依曼瓶颈。

通过在这些冯·诺依曼处理器上塞满更多的晶体管，芯片制造商长期以来一直能够按照摩尔定律不断增加芯片上的计算能力。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来的热量意味着芯片基本原理没有改变，这种情况不会持续很长时间。

随着时间的流逝，冯·诺依曼架构将越来越难以交付我们所需的计算能力。

为了跟上步伐，将需要一种新型的非冯·诺伊曼架构：神经形态架构。量子计算和神经形态系统都被认为是解决方案，它是神经形态计算，大脑启发式计算，有望早日实现商业化。

除了可以克服冯·诺依曼瓶颈外，神经形态计算机还可以引导大脑的工作来解决其他问题。冯·诺依曼系统主要是串行的，而大脑则使用大量的并行计算。大脑比计算机还具有更高的容错能力-研究人员都希望能够在神经形态系统中进行建模，这两个优点。

那么，如何才能制造出像人脑一样工作的计算机呢?

首先，要了解神经形态技术，快速浏览一下大脑的工作原理是有意义的。

信息是通过神经元(一种神经细胞)往返于大脑的。如果您踩到别针，脚皮肤上的疼痛感受器就会吸收损伤，并在与脚相连的神经元中触发一种称为动作电位的信号(基本上是激活信号)。动作电位使神经元通过称为突触的间隙释放化学物质，该间隙发生在许多神经元上，直到信息到达大脑为止。然后，您的大脑记录下疼痛，这时会在神经元之间发送信息，直到信号到达您的腿部肌肉-然后您移动脚。

一次动作潜力既可以一次触发大量输入(空间)，也可以随着时间的推移而累积(时间)来触发。这些技术加上突触的巨大互连性-一个突触可能与10,000个突触相连-意味着大脑可以快速有效地传输信息。

神经形态计算通过尖刺的神经网络模拟大脑的工作方式。常规计算基于开或关，一或零的晶体管。尖峰神经网络可以以与大脑相同的时间和空间方式来传递信息，因此可以产生两个以上输出中的一个。神经形态系统可以是数字的也可以是模拟的，其突触的一部分可以由软件或忆阻器来播放。

忆阻器还可以在建模大脑的另一个有用元素时派上用场：突触存储信息和传输信息的能力。忆阻器可以存储一定范围的值，而不仅仅是传统的1和0，从而可以模仿两个突触之间连接强度的变化方式。改变神经形态计算中人工突触的权重是允许基于大脑的系统学习的一种方法。

除相变记忆，电阻式RAM，自旋转移转矩磁性RAM和导电桥式RAM等忆阻技术外，研究人员还在寻找其他模拟大脑突触的新方法，例如使用量子点和石墨烯。

神经形态系统可以用于什么用途?

对于计算繁重的任务，智能手机等边缘设备目前必须将处理交给基于云的系统，该系统会处理查询并将答案反馈给设备。使用神经形态系统，该查询不必来回分散，它可以在设备本身内进行。

但是，也许对神经形态计算投资的最大动力是它对AI的承诺。

当前一代的AI倾向于严格基于规则，对数据集进行培训，直到学会学习生成特定结果为止。但这不是人脑的工作方式：我们的灰质更容易适应歧义和灵活性。

SEE：神经形态计算可以解决技术行业迫在眉睫的危机

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，其中系统必须找到具有很多限制的问题的最佳解决方案。

神经形态系统也可能会帮助开发更好的AI，因为它们更容易适应其他类型的问题，例如概率计算，其中系统必须处理嘈杂和不确定的数据。还存在其他因果关系和非线性思维，它们在神经形态计算系统中还不成熟，但是一旦它们建立起来，它们就可以极大地扩展AI的用途。

今天有神经形态计算机系统可用吗?

是的，学者，初创公司和一些科技界的知名人士已经在制造和使用神经形态系统。

英特尔拥有一种名为Loihi的神经形态芯片，并已使用其中的64种制造了一个名为Pohoiki Beach的800万个突触系统，其中包括800万个神经元(预计在不久的将来将达到1亿个神经元)。目前，研究人员正在使用Loihi芯片，包括在Telluride Neuromorphic Cognition Engineering Workshop上，这些Loihi芯片被用于创建人造皮肤和开发动力假肢。

IBM还拥有自己的神经形态系统TrueNorth，该系统于2014年启动，上一次出现时有6400万个神经元和160亿个突触。尽管IBM一直对TrueNorth的发展持相对沉默的态度，但它确实宣布与空军研究实验室建立合作伙伴关系，共同开发一种称为“蓝乌鸦”的“神经形态超级计算机” 。尽管实验室仍在探索该技术的用途，但一种选择可能是制造更智能，更轻便，耗能更少的无人机。

神经形态计算始于研究实验室(Cal-tech的Carver Mead's)，一些最著名的仍在学术机构中。欧盟资助的人类大脑计划(HBP)是一项为期10年的项目，自2013年以来一直在运行，旨在通过六个研究领域(包括神经形态计算)来增进人们对大脑的了解。

HBP导致了两个主要的神经形态举措，SpiNNaker和BrainScaleS。2018年，一百万个内核的SpiNNaker系统投入使用，这是当时最大的神经形态超级计算机，该大学希望最终将其扩展到可建模一百万个神经元的模型。BrainScaleS具有与SpiNNaker相似的目标，并且其体系结构目前已在第二代BrainScaleS-2上使用。

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有很多挑战。

计算规范-例如数据的编码和处理方式-都是在冯·诺依曼模型周围发展起来的，因此对于神经形态计算更为普遍的世界，需要对其进行重新设计。一个例子是处理视觉输入：常规系统将它们理解为一系列单独的帧，而神经形态处理器将对诸如随时间变化的视野等信息进行编码。

编程语言也将需要完全重新编写。硬件方面存在挑战：需要充分利用神经形态设备来开发新一代的内存，存储和传感器技术。

由于神经形态硬件中不同元素之间的集成(例如内存和处理之间的集成)，神经形态技术甚至可能需要对硬件和软件的开发方式进行根本性的改变。

我们对大脑了解得足够多，可以开始制造类似于大脑的计算机吗?

神经形态计算背后的动量增加的副作用可能是神经科学的进步：随着研究人员开始尝试在电子产品中重现我们的灰质，他们可能会了解更多有关大脑内部运作的知识，从而有助于生物学家了解更多有关大脑的知识。

同样，我们对人脑的了解越多，就有可能为神经形态计算研究者开辟更多的途径。例如，神经胶质细胞(大脑的支持细胞)在大多数神经形态设计中的作用并不高，但是随着越来越多的信息揭示出这些细胞如何参与信息处理，计算机科学家开始研究它们是否应该在神经形态设计中也是如此。

当然，关于在硅中模拟人脑的工作越来越复杂，一个更有趣的问题是研究人员最终是否最终会在机器中重新创造-或创造-意识。