参与：Haojin、Nurhachu Null

长期以来，人脑一直给研究者们提供着灵感，因为它从某种程度上以有效的生物能量支持我们的计算能力，并且以神经元作为基础激发单位。受人脑的低功耗和快速计算特点启发的神经形态芯片在计算界已经不是一个新鲜主题了。由于复杂算法和架构的快速发展，散热已经成为了一个重大挑战。神经形态计算或许会是超大规模机器和人工智能应用（例如自动驾驶）未来的基石。机器之心在这篇文章中对神经形态计算进行了解读介绍，本文的英语原文首发于机器之心英文官网：地址:https://syncedreview.com/2017/04/08/the-future-of-computing-neuromorphic/

神经形态芯片——硅脑

「不知为何，人脑——我们自己的生物体——已经弄清楚了如何让人脑在传递 AI 操作上比传统的超级计算机快一百万倍」神经形态是一次机会，它尝试提出一个基于 CMOS 的架构，它能够模仿人脑，从人脑模型中获益，保持能效和成本效益。

——Mark Seager, Intel Fellow，可扩展数据中心 HPC 生态系统的 CTO

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。

图片来自 Matt 的「Brain-Inspired-Computing，脑启发计算」，由高通提供

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（如图 1 所示）。

图 1：模拟生物神经网络的自旋—CMOS 示意图

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，开奖，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。

图片来自 Matt 的「Brain-Inspired-Computing，脑启发计算」，atv，由高通提供