神经形态计算“将成为摇滚明星”。“它不会把一切都做得更好，但它将完全占有计算领域的一小部分。”

美国洛斯阿拉莫斯国家实验室的物理学家Garrett Kenyon称人工智能（artificial intelligence, AI）被“夸大了”。从Alexa的语音识别到信用卡欺诈检测，构成一切基础的算法通常归功于深度学习，软件通过大量的示例数据库学习执行特定任务。Kenyon指出，这些程序不像人脑那样组织和处理信息，例如，当涉及到全自主机器人所需的多功能智能时，它们就达不到要求了。“我们有很多非常棒的设备，它们非常有用。”Kenyon说，“但我不认为它们都特别智能。”

Kenyon和其他许多人看到了一种叫做神经形态计算的新兴技术为智能计算机带来了希望。代替线性处理信息的标准计算架构，神经形态芯片模拟我们大脑处理信息的方式，无数数字神经元并行工作，向其他神经元网络发送电脉冲或尖峰（spikes）。每一个硅神经元在接收到足够的尖峰时都会被激发，并将其兴奋传递给其他神经元，系统通过加强定期激发的联系来学习，同时切断那些没有激发的联系。该方法擅长于在大量噪声数据中发现模式，从而加快学习速度。由于信息处理在整个神经元网络中进行，神经形态芯片在存储器和处理电路之间的数据传输也要少得多，从而提高了速度和能效。

神经形态计算并非新事物。然而，该技术进展缓慢，芯片制造商不愿意在没有成熟市场的情况下投资这项技术，算法开发人员也在为一种全新的计算机体系结构编写软件。但随着芯片性能的提高，该领域似乎正在走向成熟，吸引了越来越多的软件开发人员。

英特尔发布了第二代神经形态芯片Loihi。它包含100万个人工神经元，是第一代芯片的6倍，后者通过1.2亿个突触相互连接。BrainChip和SynSense公司最近也推出了新的神经形态硬件，其芯片可以加速计算机视觉和音频处理等任务。康奈尔大学的神经生物学家Thomas Cleland说，神经形态计算“将成为摇滚明星”。“它不会把一切都做得更好，但它将完全占有计算领域的一小部分。”

近年来，中央处理器（central processing unit, CPU）的硅技术的进步速度开始放缓。这导致了图形处理单元（graphical processing unit, GPU）等专用计算机芯片的激增。英特尔神经形态研究负责人Mike Davies表示，神经形态芯片可能会扩大这一趋势。它们擅长处理赋予计算机视觉和嗅觉等感官所需的大量数据集。这一点，再加上它们的能量效率，似乎使它们非常适合于计算机电量有限且不受传统计算机网络限制的移动设备。

在英特尔的神经形态实验室中，Davies和一名骨干人员测试小指指甲大小的Loihi-2芯片，墙上的时钟固定在7:43。Davies说，远程工作可能会使新芯片的推出速度减慢6个月。与Loihi-1一样，Loihi-2中的单个神经元可以被编程来放大或抑制来自相邻神经元的电尖峰传播。与Cleland等神经科学家的合作促使英特尔工程师在新的Loihi中添加了另一个类似大脑的功能。对大脑嗅觉处理的研究表明，尖峰之间的间隔可以编码额外的信息，在2020年，Cleland与他的同事证明了将时间信息添加到神经形态计算中的能力。

他们开始训练第一代Loihi芯片识别混合化合物中10种危险化学品的气味。研究人员在风洞中记录了72个化学传感器的读数，其中包括丙酮、甲烷和氨的气味。他们将数据输入Loihi，Loihi使用一种算法将气味表示为电脉冲流并对其进行分析，电脉冲流具有不同的时间模式。Loihi仅在一个样本后就能够识别每种气味；深度学习方法需要对多达3000个样本进行训练，才能达到相同的准确度。Davies说，这一成功促使英特尔为其Loihi-2芯片配备了产生和分析复杂时间尖峰模式的能力。Davies说：“我们正试图建立一种新的灵活、通用、智能计算芯片。”

两个研究小组已经证明，神经   形态芯片可以与市场上一些最先进的人工智能程序相媲美。今天的主力人工智能软件依赖于一种称为反向传播神经网络（backpropagation neural network, BPNN）的深度学习算法，它使人工智能系统能够在训练时从错误中学习。2021年8月份发布在arXiv上的一份预印本中，洛斯阿拉莫斯的物理学家Andrew Sornborger与他的同事报告了对第一代Loihi进行编程以进行反向传播。该芯片学会了以与传统BPNN一样快的速度解读常用的手写数字视觉数据集。

同样，奥地利格拉茨技术大学的计算机科学家Wolfgang Maass与他的同事已经开发出一种神经形态系统，它以标准GPU驱动的人工智能的1/1000的功率进行BPNN学习。“目前还不清楚神经形态计算的杀手级应用程序是什么。”Maass说，但他认为需要消耗最小能量来感知周围环境并在其中导航的机器人设备很可能是一个前景。

Kenyon说，得益于对生物学的理解，神经形态处理器可能很快就会有所回报，帮助神经科学家更好地理解大脑的进化和工作。标准的人工智能系统没有多大帮助，因为它们往往是黑匣子，无法揭示他们的学习过程。但Loihi和类似的芯片是一个更好的模型，因为它们的行为就像神经元的生物网络。研究人员可以追踪硅基系统（silicon-based system）中的放电模式，以揭示他们如何学习处理视觉、听觉和嗅觉信息，并有望获得生物学如何做类似工作的新见解。

例如，去年，当Kenyon与他的同事研究一个尖峰神经网络软件程序如何学习视觉时，他们使用了一种称为无监督词典训练的处理过程。它涉及对对象进行分类，而无需事先与之进行比较。研究人员发现，随着时间的推移，他们的神经网络变得不稳定，其神经元不断放电，因为它失去了对所学视觉特征的跟踪。

Kenyon说，这种不稳定状态“只有在试图利用生物学上真实的、尖峰的神经形态处理器或试图理解生物学本身时才会出现。”为了让他们的算法回到正轨，研究人员将他们的网络暴露在一种噪声中，他们认为这种噪声模仿了生物神经元在睡眠时接收的输入。噪声重置了网络，提高了目标分类的准确性。“这就好像我们给神经网络提供了一个晚上休息的机会。”团队成员Yijing Watkins说。她现在在美国太平洋西北国家实验室致力于在Loihi上实现该算法，以观察人工智能形式的闭眼是否有助于芯片稳定地实时处理来自视网膜相机的信息。

未来的神经形态芯片可能会彻底改变计算。但他们可能需要小睡一会儿才能做到这一点。

参考文献：Service RF. Learning curve[J]. Science,2021,374:24-25.