來(lái)源 | 神經(jīng)現(xiàn)實(shí)
撰文 | Sandeep Ravindran
譯者 | 顧凡及
編輯 | EON
2012年，計(jì)算機(jī)科學(xué)家達(dá)曼德拉·莫達(dá)（Dharmendra Modha）用一臺(tái)強(qiáng)大的超級(jí)計(jì)算機(jī)仿真了超過(guò)5000億個(gè)神經(jīng)元的活動(dòng)，其數(shù)目甚至超過(guò)了人腦中850億個(gè)左右的神經(jīng)元數(shù)。這是莫達(dá)近十年工作的頂峰，在這十年里，莫達(dá)從仿真嚙齒動(dòng)物和貓的腦開(kāi)始直到仿真有人腦規(guī)模的系統(tǒng)。
該仿真消耗了巨大的計(jì)算資源，它用了150萬(wàn)個(gè)處理器和1.5PB（150萬(wàn)GB）的存儲(chǔ)器，然而其速度仍然慢得令人抓狂，比腦計(jì)算速度要慢1500倍。莫達(dá)估計(jì)，如果要使它和生物的實(shí)際運(yùn)行速度一樣快，就需要12吉瓦的能量，大約是胡佛大壩最大供電量的6倍。加州北部IBM阿爾馬登研究中心（IBM Almaden Research Center）的腦啟發(fā)計(jì)算首席科學(xué)家莫達(dá)說(shuō)：“然而，這對(duì)腦來(lái)說(shuō)只是小菜一碟?！边@種仿真遠(yuǎn)遠(yuǎn)無(wú)法復(fù)制人腦的功能，而人腦的功率與一個(gè)20瓦的燈泡差不多。
自2000年初以來(lái)，硬件的改進(jìn)以及實(shí)驗(yàn)和理論神經(jīng)科學(xué)的進(jìn)步，使研究人員能夠創(chuàng)建更大、更精細(xì)的腦模型。但這些仿真越復(fù)雜，就越會(huì)受到傳統(tǒng)計(jì)算機(jī)硬件的限制，莫達(dá)極度耗電的模型就說(shuō)明了這一點(diǎn)。
莫達(dá)的人腦仿真是在勞倫斯·利弗莫爾國(guó)家實(shí)驗(yàn)室（Lawrence Livermore National Lab）的藍(lán)基因/Q紅杉超級(jí)計(jì)算機(jī)（Blue Gene / Q Sequoia supercomputer）上運(yùn)行的，這臺(tái)計(jì)算機(jī)是傳統(tǒng)計(jì)算機(jī)硬件的一個(gè)無(wú)比強(qiáng)大的集合體：它的工作要靠一大堆傳統(tǒng)的計(jì)算機(jī)芯片，這些芯片是指甲大小的硅片，其中包含數(shù)百萬(wàn)個(gè)晶體管。傳統(tǒng)計(jì)算機(jī)芯片的結(jié)構(gòu)和功能原則與我們的腦完全不同。
計(jì)算機(jī)的“思考”與我們的腦截然不同，這一事實(shí)讓它們?cè)谔幚頂?shù)字運(yùn)算等任務(wù)時(shí)具有優(yōu)勢(shì)，同時(shí)也讓它們?cè)谄渌恍╊I(lǐng)域里明顯顯得很原始，比如理解人類的語(yǔ)言或從經(jīng)驗(yàn)中學(xué)習(xí)。如果科學(xué)家們想要仿真腦，使其能與人類智力相媲美，更不用說(shuō)超越人類智力，他們可能就必須先要研制更好的構(gòu)件——某些受我們腦啟發(fā)的計(jì)算機(jī)芯片。
聰明芯片（SMART CHIP）：由物理學(xué)家卡爾海因茨·邁爾（Karlheinz Meier）領(lǐng)導(dǎo)的海德堡小組設(shè)計(jì)的神經(jīng)形態(tài)芯片（neuromorphic chip）。該芯片有384個(gè)人工神經(jīng)元，由10萬(wàn)個(gè)突觸相互連接，運(yùn)行速度比腦計(jì)算速度快約10萬(wàn)倍。
HEIDELBERG UNIVERSITY
所謂的神經(jīng)形態(tài)芯片（neuromorphic chips）復(fù)制了腦的架構(gòu)，也就是說(shuō)，它們通過(guò)類似于神經(jīng)元?jiǎng)幼麟娢坏摹吧窠?jīng)鋒電位”相互交流。這種發(fā)放鋒電位的行為方式使得芯片的功耗非常小，即使將其拼接成非常大規(guī)模的系統(tǒng)，也能保持高能效。
滑鐵盧大學(xué)的理論神經(jīng)科學(xué)家克里斯·伊萊亞史密斯（Chris Eliasmith）說(shuō)道：“在我看來(lái)，最大的優(yōu)勢(shì)是可擴(kuò)展性。”在他的《如何構(gòu)建腦》（How to Build a Brain）一書中，伊萊亞史密斯描述了他創(chuàng)建并命名為“語(yǔ)義指針架構(gòu)統(tǒng)一網(wǎng)絡(luò)”（Spaun）*的功能腦的大規(guī)模模型[1]。當(dāng)伊萊亞史密斯運(yùn)行Spaun的初始版本時(shí)，該模型有250萬(wàn)個(gè)“神經(jīng)元”，即使在最好的傳統(tǒng)芯片上運(yùn)行，它的運(yùn)行速度也比生物神經(jīng)元要慢20倍。他說(shuō)道：“每當(dāng)我們?cè)黾訋装偃f(wàn)個(gè)神經(jīng)元時(shí)，它就會(huì)變慢那么多?！碑?dāng)伊萊亞史密斯在數(shù)字神經(jīng)形態(tài)硬件上運(yùn)行他的一些仿真時(shí)，他發(fā)現(xiàn)它們不僅速度快得多，而且功效也提高了50倍左右。更妙的是，隨著伊萊亞史密斯仿真更多的神經(jīng)元，神經(jīng)形態(tài)平臺(tái)變得更加高效。這也是神經(jīng)形態(tài)芯片要從自然界復(fù)制過(guò)來(lái)的方式中之一，在自然界，隨著規(guī)模的擴(kuò)大，比如說(shuō)，從蠕蟲腦的300個(gè)神經(jīng)元擴(kuò)大到人腦的850億個(gè)左右，腦似乎會(huì)同時(shí)增加功率和效率。
*譯者注
Spaun是Semantic Pointer Architecture Unified Network的縮寫。
神經(jīng)形態(tài)芯片在執(zhí)行復(fù)雜的計(jì)算任務(wù)時(shí)，功耗極低，這引起了科技行業(yè)的關(guān)注。神經(jīng)形態(tài)芯片的潛在商業(yè)應(yīng)用包括高能效超級(jí)計(jì)算機(jī)、低功耗傳感器和自學(xué)習(xí)機(jī)器人。但生物學(xué)家心中有一種不同的應(yīng)用：構(gòu)建一個(gè)功能齊全的人腦復(fù)制品。
今天的許多神經(jīng)形態(tài)系統(tǒng)，從IBM和英特爾開(kāi)發(fā)的芯片，到作為歐盟人腦計(jì)劃一部分所創(chuàng)建的兩種芯片，研究人員都可以使用，他們可以遠(yuǎn)程訪問(wèn)它們來(lái)運(yùn)行他們的仿真。研究人員正在用這些芯片創(chuàng)建單個(gè)神經(jīng)元和突觸的精細(xì)模型，并解讀各單元如何聚集在一起以創(chuàng)建更大的腦子系統(tǒng)。這些芯片允許神經(jīng)科學(xué)家在實(shí)際硬件上檢驗(yàn)視覺(jué)、聽(tīng)覺(jué)和嗅覺(jué)如何工作的理論，而不僅僅是用軟件仿真。最新的神經(jīng)形態(tài)系統(tǒng)也使研究人員得以開(kāi)始進(jìn)行更具挑戰(zhàn)性的任務(wù)，即復(fù)制人類如何思考和學(xué)習(xí)。
現(xiàn)在還只是起步階段，要真正釋放神經(jīng)形態(tài)芯片的潛力將需要理論、實(shí)驗(yàn)和計(jì)算神經(jīng)科學(xué)家以及計(jì)算機(jī)科學(xué)家和工程師的共同努力。但最終的目標(biāo)非常宏偉，并不亞于弄清楚腦的各個(gè)組成部分是如何共同創(chuàng)造思想、感情甚至意識(shí)。
英特爾神經(jīng)形態(tài)計(jì)算實(shí)驗(yàn)室主任、計(jì)算機(jī)工程師邁克·戴維斯（Mike Davies）說(shuō)道：“通過(guò)逆向工程復(fù)制腦，是我們能接受其挑戰(zhàn)的最雄心勃勃的技術(shù)難題之一?！?/p>
問(wèn)題全在于架構(gòu)
加州理工學(xué)院的科學(xué)家卡弗·米德（Carver Mead）在20世紀(jì)80年代創(chuàng)造了“神經(jīng)形態(tài)”（neuromorphic）一詞，因?yàn)樗⒁獾?，與作為現(xiàn)代計(jì)算機(jī)芯片構(gòu)件的數(shù)字晶體管不同，模擬晶體管更接近神經(jīng)元的生物物理性質(zhì)。具體來(lái)說(shuō)，仿真電路中非常微小的電流（微小到電路實(shí)際上處于 “關(guān)閉 ”狀態(tài)）表現(xiàn)出類似于生物神經(jīng)元中離子流過(guò)通道的動(dòng)力學(xué)性質(zhì)，而這種流動(dòng)并不導(dǎo)致動(dòng)作電位。
賈科莫·因迪維里（Giacomo Indiveri）對(duì)米德及其同事們的工作很感興趣，90年代中他決定到加州理工學(xué)院做博士后研究?，F(xiàn)在，因迪維里是瑞士蘇黎世大學(xué)的一名神經(jīng)形態(tài)工程師，他所領(lǐng)導(dǎo)的研究小組是少數(shù)幾個(gè)延續(xù)米德使用低電流模擬電路方法的研究小組之一。因迪維里和他的團(tuán)隊(duì)手工設(shè)計(jì)芯片的布局，這個(gè)過(guò)程可能需要幾個(gè)月的時(shí)間。他說(shuō)道：“因?yàn)槲覀冊(cè)噲D提出巧妙的解決方案來(lái)實(shí)現(xiàn)神經(jīng)動(dòng)力學(xué)，這仍然是鉛筆和紙張的工作。如果你在做模擬，那么這在很大程度上仍然是一門藝術(shù)?！?/p>
一旦確定了布局，他們就會(huì)將設(shè)計(jì)通過(guò)電子郵件發(fā)送給代工廠，這是一家制造智能手機(jī)和電腦芯片的精密金屬鑄造工廠。最終的結(jié)果看起來(lái)大致上就像智能手機(jī)芯片一樣，但它的功能就像“神經(jīng)元”組成的網(wǎng)絡(luò)，通過(guò)幾個(gè)節(jié)點(diǎn)傳播電脈沖。在這些模擬神經(jīng)形態(tài)芯片中，信號(hào)是通過(guò)實(shí)際的電脈沖來(lái)中繼的，這些脈沖的強(qiáng)度可以不同。就像在腦中一樣，信息是通過(guò)不同神經(jīng)元的脈沖定時(shí)（timing）來(lái)傳遞的。
因迪維里說(shuō)道：“如果你把其中一個(gè)神經(jīng)元的輸出給神經(jīng)生理學(xué)家看，他將無(wú)法告訴你這究竟是來(lái)自硅神經(jīng)元還是來(lái)自生物神經(jīng)元?！?/p>
這些硅神經(jīng)元代表了復(fù)制神經(jīng)系統(tǒng)有機(jī)濕件（wetware）的不完美嘗試。生物神經(jīng)元是模擬-數(shù)字混合系統(tǒng)；它們的動(dòng)作電位模仿數(shù)字硬件的離散脈沖，但它們也是模擬的，因?yàn)樯窠?jīng)元中的電壓水平會(huì)影響傳輸?shù)男畔ⅰ?/p>
模擬神經(jīng)形態(tài)芯片的特點(diǎn)是硅神經(jīng)元與生物神經(jīng)元的物理行為非常相似，但它們的模擬性質(zhì)也使它們傳輸?shù)男盘?hào)不那么精確。雖然在進(jìn)化上我們的腦已經(jīng)找到了補(bǔ)償其組件不精確的方法，但研究人員卻將其基本概念帶入了數(shù)字領(lǐng)域。IBM和英特爾等公司都專注于數(shù)字神經(jīng)形態(tài)芯片，其硅神經(jīng)元復(fù)制了生物神經(jīng)元中的信息流動(dòng)方式，但物理原理不同。之所以采取不同的物理原理，這和傳統(tǒng)數(shù)字芯片占據(jù)了我們絕大多數(shù)計(jì)算機(jī)和電子產(chǎn)品的原因相同，緣于其更高的可靠性和更容易制造。
-JeremyUNISEM歐洲有限公司 -
構(gòu)建模塊：每個(gè)SpiNNaker芯片與存儲(chǔ)器封裝在一起（左上角），然后拼接成較大的設(shè)備，如右上角的48節(jié)點(diǎn)板。多個(gè)板子可以連接在一起，形成更大的SpiNNaker系統(tǒng)（上圖）。
曼徹斯特大學(xué)，史蒂夫·弗伯（Steve Furber）和同事們
但這些數(shù)字芯片在體現(xiàn)腦架構(gòu)的方式上保持了其神經(jīng)形態(tài)狀態(tài)。在這些數(shù)字神經(jīng)形態(tài)芯片中，鋒電位以信息包的形式出現(xiàn)，而不是實(shí)際的電壓變化脈沖。戴維斯說(shuō)道：“這與我們傳統(tǒng)上在計(jì)算機(jī)里設(shè)計(jì)的所有東西都有很大的不同?！?/p>
不管鋒電位的形狀如何，系統(tǒng)只有在輸入達(dá)到一定閾值時(shí)才會(huì)轉(zhuǎn)發(fā)信息，這使神經(jīng)形態(tài)芯片得以間斷地少量消耗電力，而非不間斷地大量消耗。這類似于腦的神經(jīng)元在任何時(shí)候都會(huì)進(jìn)行交流，而不是聽(tīng)從計(jì)時(shí)員的命令。另一方面，傳統(tǒng)芯片大多是線性的，在嚴(yán)格的內(nèi)部時(shí)鐘控制下，在存儲(chǔ)數(shù)據(jù)的存儲(chǔ)硬件和計(jì)算數(shù)據(jù)的處理器之間穿梭往返傳遞數(shù)據(jù)。
當(dāng)莫達(dá)在設(shè)計(jì)IBM的神經(jīng)形態(tài)芯片（名為“真北”[TrueNorth]）時(shí)，他首先分析了獼猴和人腦中的長(zhǎng)距離布線圖，該圖映射了不同腦區(qū)之間的連接方式[2]。他說(shuō)道：“它真正開(kāi)始告訴我們長(zhǎng)距離連接、短距離連接，以及關(guān)于神經(jīng)元和突觸的動(dòng)力學(xué)性質(zhì)。”到2011年，莫達(dá)創(chuàng)造了一個(gè)包含256個(gè)硅神經(jīng)元的芯片，與蠕蟲秀麗隱桿線蟲（C.elegans）的腦規(guī)模相同。利用最新的芯片制造技術(shù)，莫達(dá)將神經(jīng)元包裝得更加緊密，以縮小芯片的體積，并將這些芯片中的4096個(gè)芯片平鋪在一起，最終在2014年發(fā)布了真北，它包含100萬(wàn)個(gè)合成神經(jīng)元，這與蜜蜂腦的規(guī)模差不多，而且功耗比傳統(tǒng)芯片低幾百倍[3]。
- Matt Chinworth -
真北等神經(jīng)形態(tài)芯片的人工神經(jīng)元之間具有非常高的連接性，類似于在哺乳動(dòng)物腦中看到的情況。大規(guī)模并行的人腦的850億個(gè)神經(jīng)元通過(guò)大約1萬(wàn)億個(gè)突觸高度互聯(lián)。
真北要簡(jiǎn)單得多，其中有2.56億個(gè) “突觸”，連接其100萬(wàn)個(gè)神經(jīng)元。通過(guò)將多個(gè)真北芯片拼接在一起，莫達(dá)創(chuàng)造了兩個(gè)更大的系統(tǒng)：一個(gè)仿真了1600萬(wàn)個(gè)神經(jīng)元和40億個(gè)突觸，另一個(gè)有6400萬(wàn)個(gè)神經(jīng)元和160億個(gè)突觸。目前許多機(jī)構(gòu)的200多名研究人員可以免費(fèi)使用真北。
除了神經(jīng)形態(tài)芯片的高度互聯(lián)和發(fā)放脈沖這兩大特性外，它們還復(fù)制了生物神經(jīng)系統(tǒng)的另一個(gè)特征：與傳統(tǒng)計(jì)算機(jī)芯片不同，傳統(tǒng)計(jì)算機(jī)芯片將處理器和存儲(chǔ)器放在不同的地方，而神經(jīng)形態(tài)芯片往往有很多微小的處理器，每個(gè)處理器都有少量的本地內(nèi)存。這種配置類似于人腦的組織，神經(jīng)元同時(shí)負(fù)責(zé)數(shù)據(jù)存儲(chǔ)和處理。研究人員認(rèn)為，神經(jīng)形態(tài)架構(gòu)的這一要素可以讓用這些芯片構(gòu)建的模型更好地復(fù)制人類的學(xué)習(xí)和記憶。
學(xué)習(xí)能力是英特爾洛以希（Loihi）芯片*關(guān)注的一個(gè)重點(diǎn)，該芯片于2017年9月首次發(fā)布，并在2018年1月與研究人員分享?yè)?jù)[4]。洛以希芯片旨在仿真約13萬(wàn)個(gè)神經(jīng)元和1.3億個(gè)突觸，這種芯片結(jié)合了鋒電位時(shí)間依賴性可塑性（STDP）的模型，STDP是腦中由突觸前和突觸后鋒電位的相對(duì)定時(shí)介導(dǎo)突觸強(qiáng)度的一種機(jī)制。一個(gè)神經(jīng)元如果在第二個(gè)神經(jīng)元發(fā)放之前發(fā)放，就會(huì)加強(qiáng)它與第二個(gè)神經(jīng)元之間的連接，而如果發(fā)放順序相反，連接強(qiáng)度就會(huì)減弱。這些突觸強(qiáng)度的變化被認(rèn)為在人腦的學(xué)習(xí)和記憶中起著重要作用。
*譯者注：以夏威夷海底山Loihi命名。
領(lǐng)導(dǎo)開(kāi)發(fā)洛以希芯片的戴維斯表示，其目的是為了學(xué)會(huì)我們腦擅長(zhǎng)的快速、終身學(xué)習(xí)能力，而目前的人工智能模型卻還不具備。和真北一樣，也向許多不同的研究人員分發(fā)了洛以希芯片。隨著越來(lái)越多的團(tuán)體使用這些芯片來(lái)仿真腦，戴維斯說(shuō)：“希望可以逐漸搞清楚某些較為普遍的原理，由此得以解釋可在腦中看到的一些驚人能力。”
神經(jīng)形態(tài)工程學(xué)
對(duì)于其所有潛在的科學(xué)應(yīng)用來(lái)說(shuō)，真北和洛以希芯片并不是專門為神經(jīng)科學(xué)家打造的。它們主要是研究芯片，旨在測(cè)試和優(yōu)化神經(jīng)形態(tài)架構(gòu)，以提高其能力和易用性，并探索各種潛在的商業(yè)應(yīng)用。其范圍從語(yǔ)音和手勢(shì)識(shí)別到高能效機(jī)器人和設(shè)備上的機(jī)器學(xué)習(xí)模型，這些模型可以支持開(kāi)發(fā)更聰明的智能手機(jī)和自動(dòng)駕駛汽車。歐盟的人腦計(jì)劃（Human Brain Project）則開(kāi)發(fā)了兩種神經(jīng)形態(tài)硬件系統(tǒng)，它們都有明確的目標(biāo)：認(rèn)識(shí)腦。
2016年推出的“神經(jīng)形態(tài)混合系統(tǒng)腦啟發(fā)多尺度計(jì)算”（BrainScaleS）項(xiàng)目*，[5]把許多芯片都集成在一個(gè)大硅片上，其形狀更像是一只超薄的飛盤而不是指甲。每個(gè)晶圓包含384個(gè)模擬芯片，它們的工作方式頗像因迪維里的模擬芯片的升級(jí)版，這種芯片針對(duì)速度而不是低功耗進(jìn)行了優(yōu)化。每個(gè)晶圓都仿真了約20萬(wàn)個(gè)神經(jīng)元和4900萬(wàn)個(gè)突觸。
*譯者注：BrainScaleS是Brain-Inspired Multiscale Computation in Neuromorphic Hybrid Systems的縮寫。
BrainScaleS與歐盟的另一個(gè)神經(jīng)形態(tài)系統(tǒng)“脈沖發(fā)放神經(jīng)網(wǎng)絡(luò)構(gòu)筑”系統(tǒng)（SpiNNaker）*一起，都得益于作為人腦計(jì)劃的理論、實(shí)驗(yàn)和計(jì)算神經(jīng)科學(xué)家大家庭的一分子。與這一社群的互動(dòng)將導(dǎo)致發(fā)現(xiàn)可能幫助科學(xué)家的新特性，并讓這兩個(gè)系統(tǒng)的新發(fā)現(xiàn)迅速回饋到該領(lǐng)域。
*譯者注：SpiNNaker是Spiking Neural Network Architecture的縮寫。
曼徹斯特大學(xué)的計(jì)算機(jī)工程師史蒂夫·弗伯（Steve Furber）在20年前就構(gòu)思了SpiNNaker，為此他已經(jīng)設(shè)計(jì)了十多年。弗伯表示，在對(duì)作為SpiNNaker基礎(chǔ)的小型數(shù)字芯片進(jìn)行了大約6年的努力之后，他和他的同事們?cè)?011年實(shí)現(xiàn)了全部功能。從那時(shí)起，他們的研究團(tuán)隊(duì)一直在將芯片組裝成規(guī)模不斷擴(kuò)大的機(jī)器，最終在2018年底建成了有百萬(wàn)處理器的機(jī)器[6]。弗伯預(yù)計(jì)，SpiNNaker應(yīng)該能夠?qū)π∈竽X中的1億個(gè)神經(jīng)元進(jìn)行實(shí)時(shí)建模，而傳統(tǒng)的超級(jí)計(jì)算機(jī)做起來(lái)要慢一千倍左右。
目前，學(xué)術(shù)實(shí)驗(yàn)室可以免費(fèi)使用歐盟人腦計(jì)劃系統(tǒng)。神經(jīng)科學(xué)家們開(kāi)始在SpiNNaker硬件上運(yùn)行自己的程序，以仿真腦特定子系統(tǒng)（如小腦、皮層或基底神經(jīng)節(jié)）中所進(jìn)行的高級(jí)處理。例如，研究人員正試圖仿真一個(gè)小的重復(fù)結(jié)構(gòu)單元——皮層微柱，微柱是位于腦外層的負(fù)責(zé)大多數(shù)高級(jí)功能的結(jié)構(gòu)單元。弗伯說(shuō)道：“雖然微柱很小，但它仍然有8萬(wàn)個(gè)神經(jīng)元和25億個(gè)突觸，所以要想對(duì)此建模并非輕而易舉?！?/p>
他補(bǔ)充說(shuō)，“接下來(lái)，我們開(kāi)始考慮系統(tǒng)層面的問(wèn)題，而不僅僅是單個(gè)的腦區(qū)。”我們正逐步接近作為人智能之源的、有850億個(gè)神經(jīng)元的器官的全腦模型。
模仿腦
達(dá)特茅斯學(xué)院的計(jì)算神經(jīng)科學(xué)家理查德·格蘭杰（Richard Granger）表示，利用神經(jīng)形態(tài)硬件對(duì)腦進(jìn)行建模，可以揭示神經(jīng)計(jì)算的基本原理。神經(jīng)科學(xué)家可以非常詳細(xì)地測(cè)量神經(jīng)元的生物物理和化學(xué)特性，但很難知道這些特性中究竟是哪些性質(zhì)才真正對(duì)腦的計(jì)算能力重要。雖然神經(jīng)形態(tài)芯片中使用的材料與人腦中的細(xì)胞物質(zhì)完全不同，但使用這種新硬件的模型可以揭示腦如何往返傳送和評(píng)估信息的計(jì)算原理。
用硅復(fù)制簡(jiǎn)單的神經(jīng)回路，幫助因迪維里發(fā)現(xiàn)腦在設(shè)計(jì)上的隱性好處。他曾經(jīng)給過(guò)一位博士生一塊神經(jīng)形態(tài)芯片，這塊芯片具有鋒電位的頻率適應(yīng)性，這是一種讓人習(xí)慣于持續(xù)性刺激的機(jī)制。由于芯片空間緊張，這位學(xué)生決定不要這一特性。然而，當(dāng)他努力降低對(duì)芯片的帶寬和功率要求時(shí)，他最終得到了實(shí)際上與他所刪除的鋒電位頻率適應(yīng)相同的東西。因迪維里和他的同事們還發(fā)現(xiàn)，長(zhǎng)距離發(fā)送模擬信號(hào)的最佳方式并不是，例如說(shuō)，將其表示為連續(xù)可變的流，而是將其表示為脈沖串或脈沖序列，正像神經(jīng)元所做的一樣。因迪維里說(shuō)道：“如果你想把功率和帶寬降到最低，神經(jīng)元所使用的原來(lái)就是傳輸信號(hào)的最佳技術(shù)。”
神經(jīng)形態(tài)硬件還可以讓研究人員檢驗(yàn)他們關(guān)于腦功能的理論。康奈爾大學(xué)計(jì)算神經(jīng)科學(xué)家托馬斯·克萊蘭（Thomas Cleland）建立了嗅球模型，以闡明嗅覺(jué)機(jī)制的原理。使用洛以希芯片使他能夠建立足夠快的硬件模型，以模仿生物。當(dāng)從化學(xué)傳感器（作為我們氣味受體的人工版本）獲得數(shù)據(jù)時(shí)，系統(tǒng)學(xué)會(huì)了只要接受一個(gè)樣本就能識(shí)別氣味，這要優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，并接近嗅覺(jué)最靈敏的人。
戴維斯說(shuō)道：“通過(guò)像這樣成功的模仿，并實(shí)際展示可以用神經(jīng)形態(tài)芯片做到這一點(diǎn)，這確實(shí)證實(shí)了你真的搞懂系統(tǒng)了?！?/p>
克萊蘭的嗅覺(jué)模型并不總是如預(yù)期的那樣成功，但那些“失敗”的實(shí)驗(yàn)也同樣具有啟示意義。傳感器有時(shí)會(huì)覺(jué)得氣味輸入與模型預(yù)測(cè)的不同，這可能是因?yàn)闅馕侗阮A(yù)期的要更復(fù)雜或更嘈雜，或者是因?yàn)闇囟然驖穸雀蓴_了傳感器。他說(shuō)道：“輸入會(huì)變得有點(diǎn)不穩(wěn)定，我們知道這騙不了我們的鼻子?！毖芯咳藛T發(fā)現(xiàn)，通過(guò)關(guān)注氣味輸入中以前被忽視了的“噪音”，嗅覺(jué)系統(tǒng)模型可以正確檢測(cè)出更多種類的輸入。這一結(jié)果使克萊蘭更新了他的嗅覺(jué)模型，研究人員現(xiàn)在可以觀察生物系統(tǒng)，看看它們是否也使用這種以前未知的技術(shù)來(lái)識(shí)別復(fù)雜或嘈雜的氣味。
克萊蘭希望對(duì)他的模型進(jìn)行改進(jìn)，使模型能以生物實(shí)時(shí)運(yùn)行，以分析來(lái)自數(shù)百甚至數(shù)千個(gè)傳感器的氣味數(shù)據(jù)，而這在非神經(jīng)形態(tài)硬件上運(yùn)行可能需要幾天時(shí)間。他說(shuō)道：“只要我們能把算法用到神經(jīng)形態(tài)芯片上，那么它就能很好地工作?！薄皩?duì)我來(lái)說(shuō)，最令人興奮的是當(dāng)我們真的做了這些改進(jìn)之后，我們就能夠運(yùn)行這些16000個(gè)傳感器數(shù)據(jù)集，看看算法會(huì)變得多么好。”
SpiNNaker、真北和洛以希芯片都能以生物的實(shí)際速度運(yùn)行對(duì)神經(jīng)元和腦的仿真，這意味著研究人員可以使用這些芯片來(lái)實(shí)時(shí)識(shí)別刺激，如圖像、手勢(shì)或聲音，并立即進(jìn)行處理和作出響應(yīng)。除了讓克萊蘭的人工鼻處理氣味外，這些能力還可以讓機(jī)器人實(shí)時(shí)感知環(huán)境并做出反應(yīng)，同時(shí)只消耗極少的電力。這比大多數(shù)傳統(tǒng)的計(jì)算機(jī)有很大的進(jìn)步。
- Matt Chinworth -
對(duì)于某些應(yīng)用來(lái)說(shuō)，比如建立學(xué)習(xí)過(guò)程的模型可能需要數(shù)周、數(shù)月甚至數(shù)年的時(shí)間，如果速度能快一點(diǎn)，就會(huì)有所幫助。這就是BrainScaleS的優(yōu)勢(shì)所在，它的運(yùn)行速度大約是生物腦的1000至10000倍。而且這個(gè)系統(tǒng)只會(huì)越來(lái)越先進(jìn)。它正處于升級(jí)到BrainScaleS2的過(guò)程中，正在與神經(jīng)科學(xué)家密切合作以開(kāi)發(fā)新版本所用的新處理器。
新系統(tǒng)將能夠更好地模仿學(xué)習(xí)和化學(xué)過(guò)程，比如多巴胺對(duì)學(xué)習(xí)的影響，而這些都是其他神經(jīng)形態(tài)系統(tǒng)無(wú)法復(fù)制的。研究人員表示，它還將能夠建模各種神經(jīng)元、樹(shù)突和離子通道，以及結(jié)構(gòu)可塑性的一些特征，如突觸的丟失和生長(zhǎng)。也許有一天，該系統(tǒng)甚至能夠接近人的學(xué)習(xí)和智能。幫助開(kāi)發(fā)BrainScaleS的海德堡大學(xué)生物物理學(xué)家約翰內(nèi)斯·舍梅爾（Johannes Schemmel）說(shuō)道：“理解生物智能，我認(rèn)為是本世紀(jì)迄今為止最大的問(wèn)題?！?/p>
