“改变AI快速发展格局 神经拟态计算还差关键一步”

本篇文章2839字，读完约7分钟

知名新闻研究和分解机构高德纳预测，到2025年，神经拟态芯片将成为ai系统的主要芯片之一。

20世纪80年代，科学家设想将人类大脑的功能映射到硬件上，也就是直接用硬件模拟人脑的结构，这种做法叫做神经拟态芯片。 经过近40年的迅速发展，神经拟态芯片相继出现。 根据世界知名新闻研究和分解机构gartner日前的预测，到2025年，神经拟态芯片有望成为高级人工智能部署的主要计算体系结构，成为ai系统使用的主要计算机芯片之一

脉冲神经网络的新闻解决不再依赖计算机

一直以来，人工智能主要通过计算，即编程等手段实现机械智能。 其中深度学习是目前广泛应用的技术之一，2006年左右，深度学习技术进入了中青视野。 通过增加多层人工神经网络，赋予机器视觉、语音识别、自然语言解决等能力。

深度学习虽然有人工神经网络的把持，但通过计算实现智能的阴影并没有消失。 但是，与传统的计算相比，深度学习的算法模型发生了变化，实现的物理载体仍然是计算机。 北京大学新闻科学技术学院教授黄铁军在接受科技日报记者采访时表示。

与用于深度学习的多层人工智能神经网络不同，神经拟态计算通过构建脉冲神经网络，模拟生物神经网络来实现智能。 它本身就是可以解决新闻的载体，不再依赖电脑了。 黄铁军表示，神经拟态计算是探索实现人工智能的新范式。 在新闻解决方面，目前的人工神经网络解决的是比较静态和固定的新闻，而脉冲神经网络则适合解决与时空高度相关的许多杂新闻流。

例如，如果机器人看到豹子，可以使用深度学习方法识别出它是豹子，但对机器人来说它是系统内的新闻标签，这些新闻似乎与此无关，机器将与这些新闻结合起来评估下一步的行动 人们看着豹子，不仅可以从外表上认识到自己面对的动物是猛兽，还可以注意豹子的行为，评估自己所处的现实环境，评价是否有必要逃避综合新闻。 这才是真正的智能。 智能不仅是新闻分类，也是综合解决准时制空新闻，决定行动的过程。 黄铁军认为，神经拟态计算是模拟生物神经互联网的方法，使机器具有接近或超越生物神经互联网的系统，使机器感知自然界时空变化的新闻，实时解决新闻流向并采取行动

计算机能够超越人脑

深度学习的大规模应用对计算机的计算能力提出了更高的要求，并且一直提高了经典计算机的能耗，随着生物神经互联网结构设计的神经拟态计算，已经成为了大势所趋和必然的选择。

神经科学技术人员、德国海德堡大学物理学家卡尔·海因茨迈尔( karlheinz meier )表示，大脑相对于计算机有三个特点:一个是低功耗，大脑功率约为20瓦，目前正在模拟大脑。 二是容错，大脑总是失去神经元，不影响大脑中的新闻解决机制，微解决方案失去晶体管就会被破坏。 三是不需要编程，大脑在与外部的相互作用过程中自发地学习和变化，不需要像实现人工智能的程序那样遵循受默认算法限制的路径和分支。

黄铁军认为，模仿生物神经互联网实现机器智能是一条非常重要的研究途径，将来也有可能突破生物智能的天花板。 生物神经网络是低速系统，一秒钟能产生的神经脉冲只有十几个，生物能够获取和解决的新闻量也很低，但如果将生物神经网络电子化，则比模拟对象的生物大脑更能解决新闻

黄铁军表示，当类似人脑的计算机成为现实时，发生了对人脑的大幅超越:从速度上讲，计算机可以比人脑在更多层面上更快。 规模上没有头骨限制，计算机可以根据诉求进行扩展从寿命上看，电子系统即使有损失，也可以复制转移到新系统中，永生。 从精度上讲，生物大脑的许多缺陷和短板不会被计算机使用，而是会得到弥补。

目前，现实中应用的模型还不够

虽然神经拟态计算前景广阔，但在实用化方面仍面临着巨大的挑战。 黄铁军认为，缺乏应用于现实的模型是神经拟态计算的最大瓶颈。

目前，许多研究者正在探索突破瓶颈的方法。 有两个主要的技术路径:一是比照生物的大脑结构，依据葫芦画葫芦设计神经拟态计算系统。 但是，前提是弄清楚生物神经互联网的详细情况，如神经元的功能、结构、突触连接的特征等。

虽然现在大脑神经元的商业模式原则被科学家们掌握，大脑中数百个大脑区域的功能分担也很清楚，但是大脑区域内神经元互联网的细节依然是个谜。 如果把生物神经互联网看成地球的话，单个神经元是城市的房子，现在城市之间的交通连接比较明确，但是这还不够，需要搞清楚各家是怎么连接的。 大脑有近千亿个神经元和几百万亿个连接，要解析详细的蓝图，预计工程量会很大。

黄铁军认为，20年内很可能揭示楚人脑神经互联网的精细结构。 他还说，研究人脑的结构是一个长期目标，目前事业的重点是斑马鱼和果蝇等动物的大脑结构。 他预测，几年内果蝇的大脑(包括约30万神经元)将被解析，出现这一级别的脉冲神经互联网模型，利用果蝇的大脑模型，无人机可以更好地实现飞行、避障、跟踪等。

在生物神经互联网蓝图完成之前，第二个技术途径是人工设计脉冲神经互联网模型。 这也是黄铁矿军队的工作副本之一，例如基于对生物视觉的初步理解，设计视觉脉冲神经互联网模型。 根据对机器目标检测、跟踪、识别功能的诉求，开发超高速全时视网膜芯片等。

专家表示，如果能够处理实际问题，神经拟态计算将改变人工智能的快速发展格局。 但是，深度学习作为基本方法仍然有价值，就像算法依然在擅长的行业中发挥作用一样。 另外，生物神经网络是实现强人工智能的一种方法，多种生物智能本身就是最好的证据，但这并不是所有的智能问题都由仿生机器处理。

神经拟态计算不是实现智能的唯一方法。 黄铁军强调。 (记者代小佩)

延伸阅览

神经拟态芯片不与ai加速器竞争

神经拟态芯片是实现神经拟态计算不可缺少的硬件之一。 目前，神经拟态芯片和目前市场上热门的ai加速器都是为解决神经互联网而设计的，声称性能比cpu高，功耗低。 在这样迅速的发展背景下，人们提出了神经拟态芯片和ai加速器之间是否会发生竞争的疑问。

英特尔神经拟态计算实验室主管迈克尔·戴维斯( mike davies )认为，神经拟态芯片无法与以前流传下来的ai加速器直接相比。 ai加速器是为深度学习而设计的，使用大量数据训练大规模互联网，神经模拟计算解决单一数据样本。 神经拟态芯片在收到真实世界的数据新闻后，会以最低的延迟和最低的功耗来解决，但这个模型与ai加速器完全不同。

黄铁军表示，神经拟态芯片和ai加速器的价值观完全不同。 神经拟态芯片是面向未来的技术，其目的是建立新的体系结构，建立新的智能模型和系统。 ai加速器是立足于当今产业的技术，其目的是将用计算机+软件构建的人工神经互联网硬件化，提高运营效率。 关于人工智能解决时空新闻，构建更多复杂的神经互联网，并不是ai加速器目前的着眼点。 毕竟，从产业化的角度来看，在现实场景中处理实际问题是最重要的。

因此，神经拟态芯片和ai加速器之间不会发生竞争。 黄铁军表示，如果脉冲神经互联网最终取代深度学习技术，今天制造ai加速器的制造商可能会转战神经拟态计算市场，但那是另一回事。