2018-2019最具成长性AI技术Top10–神经形态计算（8/10）

神经形态计算是指仿真生物大脑神经系统，在芯片上模拟生物神经元、突触的功能及其网络组织方式，赋予机器感知和学习能力的技术。该技术的目标在于使机器具备类似生物大脑的低功耗、高效率、高容错等特性，将在智能驾驶、智能安防、智能搜索等领域具有广阔应用前景。

神经形态芯片的最初思想可以追溯到加州理工学院的 Carver Mead 教授在 1990 年发表的一篇论文。Mead 在论文中提出，模拟芯片能够模仿人脑神经元和突触的活动，与模拟芯片的二进制本质不同，模拟芯片是一种输出可以变化的芯片。模仿人脑活动的意义在于我们可以通过它们来学习。传统的芯片在每一次传输中都会保持固定的特定电压。正如 Mead 在 2013 年的对话中提到的一样，当遇到在今天的机器学习任务中被使用的复杂算法和架构的时候，散热就成了芯片行业中最大的挑战。

相反，神经形态芯片只需要一个低水平的能耗，因为它的类生物本质。人脑非常节能的一个原因就是，神经冲动在传递的过程中只会放掉一小部分的电量。只有当积累的电量超过一个设定的界限时，信号才会通过。这意味着神经形态芯片是事件驱动的，并且只有在需要的时候才会运作，这就导致了一个更好的运行环境以及更低的能耗。

几家公司已经投资了在脑启发计算中的研究。无线技术公司高通在 2014 年的时候展示了引人入目的基于神经形态芯片的机器人。这款机器人能够在智能手机芯片上用修改过的软件实现通常需要专门编程的计算机才能实现的任务。IBM 2014 年生产的 SyNAPSE 芯片也是用脑启发计算架构构建的，它有着难以置信的低功耗，在实时运行中只有 70mW。最近，神经形态再次引起了 IBM 和英特尔这些公司的兴趣。与之前 2013、2014 年那时候意欲制造市场化的产品不同，这次他们希望以研究的目的进行探索。

英特尔在 2012 年就作为第一批原型之一提出过一种类似于生物神经网络的自旋—CMOS 混合人工神经网络（spin-CMOS Hybrid ANN）的设计样例。在这个设计中，神经元磁体构成了触发部位。磁隧道结（MTJ）类似于神经元的细胞体，域墙磁体（domain wall magnets，DWM）类似于突触。通道中央区域的自旋势能等于控制激活/非激活状态的细胞体的电势能。CMOS 的检测和传输单元可以被比作传输电信号到接受神经元的突触。

除了低功耗方面的优势，神经形态设备还比较擅长在那些除了超级计算之外的需要模式匹配的任务，例如自动驾驶和实时传感馈送神经网络。换句话说，就是那些需要模拟人脑思考或者「认知计算」的应用，而不是简单的更强能力的复杂计算。正如 Mark Seager 所建议的，神经形态的发展应该聚焦于具有大量浮点向量单元和更高并行度的架构，并且能够以相当统一的方式去处理高度分层记忆。更具体的，关于神经网络，研究的重点是如何通过互联来并行化机器学习的任务，例如英特尔开发的 OmniPath，来解决更大、更复杂的机器学习问题，从而在多节点上进行扩展。目前扩展性限制在数十个到数百个节点之间，这让神经形态芯片的潜能受到了限制。然而，有一件事是合理的，即随着计算神经网络算法和模型的进步，可扩展性可以大幅增加，这会允许神经形态芯片有着更多的进步空间。

然而，我们必需承认，尽管神经形态在未来的计算方向上是很有前途的，但是它们仍然处于理论水平，并且还没有被大量地生产。有几种设备据说有神经形态芯片的元素，尚且存在争议，例如 Audience 生产的噪声抑制器，但是它们还未向目前大量的要获得其性能评估的刺激低头。正在进行的研究已经被证明有了克服实现神经形态芯片所遇到的困难的进展性工作，并且给神经形态计算许诺了一个美好的未来。

来源：互联网