神经形态计算

神经形态计算

它试图模仿人类大脑的工作方式。神经形态计算无疑是实现下一代计算的理想选择。这个术语是由卡弗·米德教授在20世纪80年代提出的，它的本质就是模仿人类大脑进行计算的方式。在过去的十年里，越来越多的公司和机构开始研究神经形态计算技术。以IBM为例，其True North芯片就是世界上第一款采用这种技术的芯片，它属于非基础架构型芯片。

图 –

卡弗·米德

TrueNorth芯片拥有4096个核心，每个核心可以容纳256个数字。这意味着该芯片能够支持大约100万个新房间，以及超过2.5亿个突触连接。

图/图片 –

TrueNorth芯片

现在，这是一种相对较新的计算概念。 人类的大脑中，通常包含860亿到870亿个神经元，以及10到15个数量的突触。 当我们执行任务时，大脑中的计算过程其实只涉及了神经元总数的极小部分。 这就是为什么人类大脑具有极高的计算效率。我们只需要消耗20瓦特的电力，就能实现每秒1艾浮点运算（1艾浮点运算相当于10的18次方次浮点运算，也就是1000皮浮点运算）。相比之下，世界上最快的超级计算机IBM Summit则需要消耗30兆瓦的电力，同时只能实现200艾浮点运算。而人类大脑则只需消耗20瓦特的电力，就能实现1艾浮点运算，其计算能力是IBM Summit的5倍。

图/图片 –

IBM Summit

神经形态计算机

这种利用神经形态计算技术的系统，其模型直接来源于人类大脑。它采用了一种名为“脉冲神经网络”的特殊人工神经网络方法。 需要注意的是，这与基于软件的算法有所不同，比如卷积神经网络、循环神经网络或生成对抗网络等。 那些用于驱动神经形态计算机的神经形态芯片，并不一定能取代传统的计算芯片，比如中央处理器、图形处理器或特定应用集成电路等。 不过，神经形态计算机具有为现有的计算机增加深度学习功能的能力，从而帮助实现人工智能。 从IBM的TrueNorth项目到英特尔对曼彻斯特大学的合作，每一家公司或机构都在致力于为神经形态计算芯片开发独特的解决方案。

局限性：

虽然现代计算机能够完成许多人类可以完成的任务，但它们在至少两个方面存在不足：机器推理和迁移学习。Leon Bottou是一位研究机器推理的专家。

迁移学习指的是将从一个情境中学到的经验应用到另一个情境中的能力。还有第三个维度，那就是物理尺寸和能源消耗。超级计算机拥有最高的计算速度，当前版本的超级计算机每秒可以执行10^15次浮点运算。不过，这些设备体积庞大，需要专门的建筑来容纳它们，而且它们的能耗也非常高，以兆瓦为单位来衡量。而人类大脑的能耗则大约为20瓦特。