复刻百亿神经元，神经拟态计算如何「创造」大脑？

、

「在已知的宇宙中，人类的大脑是最复杂的东西，它复杂得让试图解释它的简单模型可笑，让精致的模型无用。」

这是杜克大学认知神经科学中心的斯科特 · 胡特尔被广为引用的一句名言。

在冯诺依曼架构触顶、摩尔定律不再适用的当下，工程师们愈发意识到，模拟人脑神经网络或许才是人工智能的未来。近 10 多年来受人脑启发逐渐发展的神经拟态计算，到底是怎么一回事？

模糊学习与神经复刻

首先，要了解神经形态技术，有必要快速了解一下大脑的工作原理。

信息以电信号的方式，通过神经元突触在大脑中传递。和传统计算机通过晶体管的开关来传达信息相同，神经中电信号的传递也只有 0 和 1 两种状态。

但不同于传统计算机的一点是，虽然单个神经元只有放电 / 非放电两种状态，但神经元集群能够以集体放电的方式来调控信号的强弱。同时，神经元放电具有强关联性，经常同时放电的神经元能够建立更密集的连接。

简单来说，大脑的神经网络能够从强度、时效等方面更丰富地表达信息。因此在缺少明确定义、语义模糊的现实场景中，神经形态模拟计算无疑具有更高的灵活性和分析能力。

图：同时放电的神经元 | Medical Xpress

除了更细腻、丰富的信息传导以外，神经拟态计算对硬件层面的要求十分高。传统的冯诺依曼架构下，信息的处理和储存在物理上是分开的。而神经元之所以拥有极高的信息传导效率，很大一部分原因是因为信息的处理和存储一体化。

这种设置让信息不用在处理器和存储之间来回穿梭，节省了大量的时间和能耗。而在目前的神经拟态领域中，硬件的模拟距离真实的大脑还十分遥远。因此，现实中的神经形态模拟更多地停留在程序和功能层面上。

现实中的神经形态模拟

一些学者、初创公司和科技巨头已经在制造和使用神经形态系统。

英特尔有一个名为 Loihi 的神经形态芯片，已经开发了一个名为 Pohoiki Beach 的突触系统，其中包含 800 万个神经元（预计在不久的将来会达到 1 亿个神经元）。

Loihi 的微代码（其芯片级指令）于 2017 年 9 月首次宣布，并于次年 1 月在 CES 2018 上正式首发，其中包括专门为训练神经网络而设计的语句。设计组明确将其描述为对神经形态过程的模拟，而不是真正的功能实现。

图：Loihi | Tim Herman for Intel Corp.

Loihi 的设计被称为「受大脑启发」。这可能有点像说，「灵感来自一个真实的故事」，因为这些指令是微编码的，而不是实体的连接。

如上图所示，由 64 个 Loihi 芯片组成的集群形成了一个神经形态加速器。该加速器于 2019 年 7 月向研究界提供。目前，研究人员正在使用 Loihi 芯片制造人造皮肤和开发动力假肢。

IBM 也拥有自己的神经形态系统 TrueNorth，该系统于 2014 年推出，拥有 6400 万个神经元和 160 亿个突触。虽然 IBM 后来没有太多曝光 TrueNorth 的进展，但它于 2020 年宣布与美国空军研究实验室合作创建名为 Blue Raven 的「神经拟态超级计算机」 。该实验室仍在探索这项技术的用途，初步选择制造更智能、更轻、能耗更低的无人机。

与 Loihi 一样，TrueNorth 与其说是物理上的神经形态，不如说是神经形态原理的模拟器。

「这些神经网络最吸引人的属性是它们可以移植到神经形态的硬件中，」 2018 年 9 月 IBM 神经形态专利申请中写道，「它可以部署在移动设备和本机传感器中，可以实现实时的低功耗。神经形态计算展示了一种前所未有的低功耗计算基板，可用于许多应用程序。」

神经形态计算始于加州理工学院的 Carver Mead 实验室。目前，世界上最著名的神经形态计算实验室仍然在学术机构中。例如，欧盟资助的人脑计划项目 ( HBP ) ，自 2013 年开始运行，预计为期 10 年，旨在研究包括神经形态计算在内的六个领域以促进对大脑的理解。

HBP 促成了两项主要的神经形态计划，SpiNNaker 和 BrainScaleS。

2018 年，一个百万核的 SpiNNaker 系统上线，这是当时最大的神经形态超级计算机，是由德国工程师与 Jülich 神经科学和医学研究中心、英国曼彻斯特大学合作研发的百万核计算系统。该项目希望最终将其扩大到对 100 万个神经元进行建模。

SpiNNaker 模拟哺乳动物大脑中神经元的连接方式，来实现大脑皮层细微的神经电路功能。

图：SpinNNaker | zdnet.com

正如 SpiNNaker 名字中的大写「NN」所强调的那样，系统希望实现脉冲神经网络 ( SNN ) 的作用。该系统特别适用于神经形态架构，因为它直接作用于人造突触的可塑性。正如曼彻斯特大学研究员 Andrew Rowley 在 2019 年 11 月的一次会议上解释的那样，「我们想要制造的是一台拥有一百万个类似手机处理器的百万核机器，和 1% 人脑或 10 只老鼠大脑的处理水平相当。」

和 SpiNNaker 一样，BrainScaleS 喜欢把大写字母混在一起，也得到了欧盟人脑计划的资助。但与 SpiNNaker 不同的是，BrainScaleS 是一项长期运行的、位于德国海德堡的项目，旨在把 SpiNNaker 进行数字模拟的模型部署到物理建模的仿生平台。该平台的基础自己研发的集成电路芯片。

图：BrainScaleS 芯片 | zdnet.com

根据 2020 年 5 月提交给欧盟的文件，完全组装后的 BrainScaleS 由五个 19 英寸机架组成，总共支持 20 个晶圆模块（服务器）加上电源和冷却器。每个晶片模块包括 384 个处理器，每个处理器代表 512 个神经元的 114,688 个突触。神经元一般会自动「放置」在晶片上，但也可以使用 Python 的 morocco 插件手动指定神经元的放置位置。

神经形态系统有哪些挑战？

从冯诺依曼架构转向神经形态计算并非没有重大挑战。

现行的计算规范，例如数据的编码和处理方式，都是围绕冯诺依曼模型发展起来的。因此，想要搭建切实可行的神经形态系统需要对大量数据进行重新设计。例如，传统系统处理视觉输入时，会将数据理解为一系列单独的帧，而神经形态处理器会将此类信息编码为随时间变化的视场（ VF, visual field ） 。

编程语言也需要从头开始重写。由于硬件方面存在的挑战，需要能够更好地适应神经形态设备的新一代的内存、存储和传感器。

神经形态技术甚至可能需要从根本上改变硬件和软件的开发方式。神经形态硬件中不同元件的集成方式都和传统芯片不同，例如内存和处理器的集成等，都需要重新设计。

我们准备好制造类脑计算机了吗？

神经形态计算可能会带来神经科学的进步。随着研究人员开始尝试在电子设备中重建神经元，他们可能会更多地了解大脑的内部运作，从而帮助神经学家更多地了解大脑。

同样，随着我们对人类大脑的了解越多，神经形态计算也可能会开辟更多的途径。例如，神经胶质细胞 ( glia neurons ) —— 大脑的支持细胞 —— 在大多数神经形态设计中的重要性并不高，但随着这些细胞在信息处理过程中的作用逐渐被发现，计算机科学家开始研究它们是否也应该被加入到神经形态系统中。

当然，关于在硅中模拟人脑的日益复杂的工作，更有趣的问题之一是研究人员最终是否可能最终在机器中重新创造意识。对于这个问题，HyperTech 之前也进行过探讨。在这篇文章里，我们从意识的定义、人脑的认知等方面讨论了能够打乒乓球的「缸中之脑」是否可被称作具有意识。单就目前神经形态模拟和类脑培育方面的成就而言，谈论机器是否具有意识还为时尚早。但在未来，真正的「创造」或许已经在路上。