提及机器学习，往往会涉及到神经网络。神经网络，顾名思义就是模仿人的大脑组织。本周，美国密歇根大学的研究人员声称，他们发明了一种真正的基于人类大脑工作方式的计算机芯片。

　　这是一款全新的忆阻器阵列芯片，采用以跟大脑相同的方式处理图像，其处理图片和视频等复杂数据的效率，可能会超越了现在所有的同类产品。

　　密歇根大学的忆阻器

　　如何更快地处理图像数据，是机器学习当前需要面对的一个问题。现在，摄像头变得无处不在，从无人机、信号灯，到自动驾驶汽车，海量的数据涌到处理器当中等待处理，进行目标检测、面部识别等等。更快地处理数据，就意味着更好的信息采集系统，以及更智能化的AI。

　　不过，现有的机器学习只是基于现有硬件架构在算法上进行升级，在学习和推理过程中仍需不断在处理器和存储器之间转移大量数据，导致速度较慢，能耗也很高。

　　而忆阻器是一种新型电子器件，能通过调整内部的原子分布，同时实现数据存储和信号处理的功能，低能耗、高效率并行，实现机器学习里基本的矩阵运算。

　　它为什么能做到这一点呢？

　　因为这款忆阻器采用了仿人类的模式识别。它的发明灵感来自于哺乳动物的大脑如何处理信息。

　　模式识别的一个重要应用就是面部识别，面部识别的能力能让我把一个人和其他的人区分开来。另一种应用是，通过对环境的洞察来发现隐藏在树叶后面的捕食者。

　　如果让大脑处理人眼收集到的所有信息的话，这个过程将十分烧脑，也将耗费很长时间。相反，大脑会使用模式识别，来快速阅读与当前对象相关的形态和运动，而舍去其他的无效信息。简而言之，这是一种快速捕捉关键信息来处理核心问题的能力。

　　卢伟和他的忆阻器

　　和人脑类似，计算机也存在时间和“精力”的限制。

　　美国密西根大学电子工程与计算机系卢伟教授表示：“今天电脑需要处理的访问信息越来越复杂。电脑需要处理器和内存之间进行稳定且慢速的通信，来获取数据。这让处理器变得很大，昂贵而又费电。”

　　因此，神经网络也需要利用和人类相同的这种快捷方式。卢伟教授根据这种思路创造了忆阻器。

　　这种快速处理的方式被称为”稀疏编码“，这是一种模拟动物视觉的人工神经网络方法。它依赖于前期访问信息的处理经验，来构建判断和区分的能力。

　　这款芯片采用32×32忆阻器阵列，并用该阵列芯片实现了“稀疏编码”的算法。它能通过芯片上神经元之间的竞争，atv，更有效地找出隐含在输入数据内部的结构与模式。

　　通过这种技术，忆阻器已经实现了在实验室条件下重建图片和测试图形。据科技日报报道，在测试中，新忆阻器芯片经过“学习培训”后，可以利用很少的神经元成功从一些名画和照片中找到关键特征。

　　这种能力进一步提升的话，就可以让忆阻器驱动的系统，像人类在现实世界中那样去处理视觉数据。

　　卢伟表示，这款忆阻器可直接集成到现有传感器和摄像系统上，实时处理和分析视频数据。它们还可以通过大规模集成实现超级计算机的功能。

　　不过，”稀疏编码“的算法并不一定比传统的机器学习算法更快，但是它可以更加节能。它可以保留最少数量的神经元去执行特定任务，这就使得相同尺寸的容量中可以放置更多的算力和内存，就可以避免让处理器的“傻大笨粗”，让计算机变得更轻巧一些。

　　当然，忆阻器也不是唯一的获取仿人类神经元能力的方式。去年，IBM已经做出了世界首个纳米随机相变神经元（phase change neuron），它也可以以仿人类大脑的方式处理信息。

　　现在，atv，各种稀奇古怪的神经形态处理器原型已经变得司空见惯。在科学家不断尝试的过程中，他们会不断击败之前的方案，最终给我们一个最好的答案。