编译：刘小芹 弗格森

【新智元导读】研究者声称神经形态芯片相比传统的CPU，耗能更小。但现在的问题是，研究者需要证明，神经形态芯片能够从研究实验室转移到商业应用中吗。用航空业打比方的话，神经形态计算的研究一直陷在模仿鸟的扑翼的水平，而研究者显然不承认。

跨越鸿沟：当下，关于神经形态计算有很多炒作

科技圈内的人在谈到某一技术从早期采纳者跃升到大众市场时，常会使用的一个描述是“跨越鸿沟”（crossing the chasm）。在神经形态计算中，现在，一个关于跨越鸿沟的案例研究正在进行中。

这一方法模仿的是人类大脑中神经元的连接和沟通方式，并且，乐观者称，神经形态芯片比起传统的CPU，所消耗的电量会更小。但是，现在的问题是，研究者需要证明，神经形态芯片能够从研究实验室转移到商业应用中。

该领域的领先研究者3月在加利福尼亚州阿尔马登的IBM研究机构举行的Neuro In-spired Computational Elements Workshop上坦率地讲述了这一挑战。

“当下，关于神经形态计算有很多的炒作”，曼彻斯特大学的研究员Steve Furber 说。他是SpiNNaker 项目的领导者，这是一个重大的神经形态芯片计划。

他说：“神经形态系统确实是存在的，你可以拿到，并且可以使用。但是，作为一个整体，它们的用户基础是相当小的，不管是在大学还是在行业研究院中。这一切都需要有相当专业的知识。当下并没有一个具有代表性的应用，可以展示一个高容量的应用，其中神经形态计算能在性能上优于替代品。

其他与会者也给出了自己的分析。另外一名杰出的研究者、加拿大滑铁卢大学的Chris Eliasmith 说，该领域需要“直面”这些炒作的议题。

在地板上放置不同颜色的方格，机器人能够避开其他颜色，移动到特定颜色的方格

成吨的难题：传统公司如何接受神经形态计算

最近的一个神经形态demo是运行一个相对简单的人工智能应用的系统。具有神经形态芯片的初级机器人沿着科罗拉多山脉自己导航下山，或者地板上放置着不同颜色的放格，机器人能够避开其他颜色，移动到特定颜色的方格。Eliasmith 说，真正的测试目的是让传统公司接受神经形态作为日常工程难题的一个主要平台，但在此之前，还有“成吨的难题”。

来源：James Provost

神经网络中的两个层包含了具有相似功能的“神经元”组，在左图中分别用[蓝色，黄色，橙色，粉红色]表示。右图中，这些神经元映射到IBM TrueNorth芯片的脉冲神经元（spiking neurons）。脉冲神经元通过网状的“突触”与同个核（core）的其他神经元连接起来，并连接到一行输入。这些输入可以产生脉冲，然后有神经网络处理这些脉冲。

神经形态计算的基本组成部分是脉冲神经元，其作用类似于传统计算中的“逻辑门”。在台式计算机的中央处理单元中，晶体管被设计成不同类型的逻辑门（AND，OR，XOR）等等，每个逻辑门评估两个二进制的输入。然后，根据这些值和门的类型，每个门输入1或0到下一个逻辑门。所有这些都与芯片母钟（master clock）进行精确的同步，反映其正在运行的软件的布尔逻辑（Boolean logic）。

脉冲神经元与逻辑门是不同的东西。想象一下电路上的一个节点，它测量沿电路传输的任何脉冲（以电脉冲的形式）。如果在一定时间内发生了一定数量的脉冲，那么该节点被编程去发送自己的一个或多个新的脉冲，具体的数量取决于芯片的设计。与传统CPU的二进制0或1的选项不同，对脉冲的响应可以是一定范围的值。这些芯片能够很大程度上节省资源，因为它们的神经元不是像传统那样不断运作，而是只在接收到脉冲信号时才激活。

神经形态系统将这些脉冲神经元连接到复杂的网络中，通常是依据程序员提前制定好的为特定任务设计的布局。例如，在设计用于图像识别的网络中，神经元之间的某些连接承担某些权重，脉冲在这些神经元之间也以它们各自的权重进行传输，不同的权重可以说是表示不同的对象。如果输出中出现了某个脉冲模式，程序员就会知道图像是一只猫；出现另一种脉冲模式，可能表示图像是一把椅子。

在神经形态领域，各个研究团队都提出了自己的设计。例如，IBM得到DARPA资助做的TrueNorth神经形态芯片在定制硬件方面很有名，Furber 的SpiNNaker（Spiking Neural Network Architecture）则依赖在ARM处理器运行的软件。

深度学习推动：服务器群组的商业化产品可能只要2年就能出现