神經晶元技術現狀如何？晶元能多大程度上逆向人類神經元？

12-07

實體化神經元就是意識上傳的基礎，這項技術發展到何種程度了？

如果您是想大致了解一下這個炫酷科技的領域發展得如何，推薦一個絕對適合的比較系統全面的回答：IBM 發布新型 SyNAPSE 神經晶元，會對整個計算機乃至科技領域產生什麼影響？

如果您是相關領域的研究人員，想了解世界上各個研究的研究現狀，推薦下面這個網站，有詳細的研究機構、研究項目、具體情況等等的列表，其中的鏈接還可供您擴展閱讀：
Brain Project Comparison

我是生物醫學工程系學生，對相關領域很感興趣，所以經常關注相關新聞。以下內容全文轉載，歡迎討論，不喜勿噴。

轉自2014/09/26 果殼
晶元造腦：科幻照進現實？
人腦那自傲、強大而又神秘無比的信息處理功能一直令人痴迷。也許是緣於這種痴迷，每當新的技術出現，它們總會被用來進行複製大腦的嘗試。雖然在這一過程中我們收穫了不少新的信息處理工具，但這些「複製品」和真正的大腦依然相差甚遠，這也一次次證明了人類對腦的理解還僅處於「兩小兒辯日」的啟蒙階段。

然而就在最近半年裡，「造腦行動」又有了新的進展：IBM 和高通（Qualcomm）兩大巨頭先後發布了基於神經擬態技術的「腦晶元」。IBM的SyNAPSE晶元號稱模擬了一百萬個神經元細胞和超過兩億個神經突觸連接，初具人工大腦的規模。高通公司4月公布的Zeroth晶元也在矽片上高效地模擬了腦神經元，裝載了該晶元的機器小車還能運用「受到人腦啟發的演算法」完成尋路、躲避障礙等任務。如果幾十年前的人穿越過來，恐怕會以為科幻小說全面進入生活了。

左：IBM 公司於2014年8月推出的SyNAPSE晶元外觀；右：高通 Zeroth 晶元的宣傳圖

那麼，「模擬腦」的時代真的要來臨了嗎？現在下結論似乎還為時過早。在對人腦的模擬上，科學家們還面臨著許多困惑和挑戰。下面，就讓我們來看看「造腦」這個科幻題目在現實世界中究竟現狀如何吧。

「神經擬態」晶元英雄譜

仿照生命體的神經系統的架構來設計大規模集成電路（VLSI）的硬體電子技術，被稱為「神經擬態工程」（Neuromorphic engineering），這門工程學開創於上世紀80年代。在近40年的發展中，神經擬態晶元屢有新作，尤其是最近10年，隨著IBM、惠普、高通等電子硬體巨頭的加入，神經擬態領域開始呈現加速賽跑的熱鬧場面。

神經擬態的關鍵在於製造可以產生神經電信號的「擬真神經元」，要達到這一目的，有兩種途徑可走。第一種是利用硅的半導體特性，直接在硅元件上用積累的電壓來模擬神經元的膜電位，這種方式被稱為「模擬式神經擬態」。這種方案是神經擬態工程最經典的技術路線，它直接地將神經細胞的信號傳導方式轉換到了硅基導體上。用模擬方式製造出來的「神經元」能夠輕鬆達到和生命體一樣的運算速度，甚至更快。

另一種模擬途徑是製造一塊類似小型電腦的數字晶元，然後在上面運行神經元的模擬程序，由模擬程序負責生成類似神經衝動的信號，這種方案被稱為「數字式神經擬態」。開篇提到的IBM公司的 SyNAPSE 和高通公司的 Zeroth 晶元採用的都是數字式的擬態方案。數字模擬的優勢在於可以靈活採用各種不同的神經元模型，例如在擬真度要求較高的應用中可以加入神經突觸和離子通道的詳細特性，而在速度要求較高的時候則可以簡化模型來保證速度。數字方案雖然模擬速度有所下降，但經過優化後也能達到和神經元一樣或更快的運算速度，而更高的靈活性也讓它成為了神經擬態技術的熱門選項。

在各種神經擬態晶元中，絕大多數都混合集成了數字和模擬這兩種技術，通過優勢互補使晶元達到更好的性能。

造腦的巨大挑戰

現在，已經有了相當多的「類腦」晶元問世，它們看起來相當「酷炫」，但似乎從未能夠撼動傳統計算機晶元的地位。這很大程度上是緣於「造腦」這件任務所帶來的巨大挑戰。

對很多音樂發燒友來說，「魔聲（Monster）」這個耳機品牌應該不陌生。創立魔聲品牌的是美國加利福尼亞的華裔工程師李美聖（Noel Lee）。李先生年輕時對於音樂品質的細微挑剔已經到了苛刻的地步，以至於在常人所不注意的線材上都發現了可以提升音質的餘地。所以魔聲公司一炮走紅的主打產品其實並不是我們所熟悉的耳機，而是又粗又壯的高端線材（Monster Cable) 。魔聲公司在技術上的歷程引發了一個思考：高質量的信息處理系統往往需要高質量的信號通路，傳輸通路的重要性有時甚至會超過信息的產生和處理本身。

不幸的是，建立通路在電子信息系統里是比較麻煩也比較昂貴的。如果用電子通路來模仿一個有N個神經元的神經網路，那麼所有神經元之間兩兩互通就需要 N2 條通路。如果每條通路都用一條物理連接來建立，那麼模擬的神經元數量稍微一多，線路就會亂作一團亂。目前的半導體晶元技術基本上還是二維布線，所以在一片矽片上能夠允許的線路資源就更加有限。要想用這樣的通路來實現人腦式的互聯互通，幾乎一定會被物理規律打翻在地。

數據通路帶來的災難

為了繞開物理連接的困境，很多神經擬態晶元採用了「互聯網式」的方案：先給神經元編上「地址」，然後用路由器分發信息。這種方案雖然避免了紛繁交錯的線路，但它的本質是用時間來換空間，如果不想搭出 N2 條物理通路，那麼就得花 N2 倍的時間來處理路由。隨著模擬神經元數量的增長，始終還是繞不過平方級增長的「維度災難」。所以神經擬態晶元成敗的關鍵往往不是能造出多少個神經元，而是怎麼高效處理神經元之間的信息交互。IBM 公司的 SyNAPSE 晶元集成了2億5千6百萬個突觸連接，這個數量級的信息交互已經算是相當了不起的成績。

造腦之路不僅受制於物理規律，而且在評價標準上也存在不少爭議。世界各地的研究組在造腦課題上研究得很熱鬧：有的強攻模擬神經元和神經聯結的數量，有的專註神經元突觸的分子動力學建模，有的則側重大腦的可塑性學習能力……然而，不客氣地講，不少「造腦」項目多少有點自己樹靶子自己打的意思。即使這些努力全部宣告成功，可能研製出來的人工腦也只能在研究者自己劃定的條條框框里做點演示而已，它們的功能依然具有很多局限性。

造腦目標的困惑

除了技術上的困難，製造「模擬腦」的目標也是一個值得思考的問題。除了純粹用於研究以外，「模擬腦」還能為我們做點什麼呢？

當今流行的電子設備和人腦在形態上沒有半點相似，在計算原理上也基本不搭界，然而這些電子設備在相當一部分任務中卻表現得相當出色。這些任務包括設備控制、大規模批量處理、長時間重複作業等等。無論是在自動化生產的車間里，或是運營上千台網路計算機的「伺服器農場（server farm)」里，甚至在更加新潮的無人管理的大型倉庫里，那些原來由「人腦+人肉」完成的任務現在都已經轉交給了機電設備，它們的高效、精確和可靠已經達到了令人腦難以企及的高度。

這些機械化的任務無需創造力，而要求操作者務必精確、不能疲勞，它們簡直天生就是給機器設計的。而相比之下，探索、學習和適應環境才是人腦真正有優勢的領域。如果在「模擬腦」問世時，人們還是把傳統的機械化任務交給它們，那麼「模擬」恐怕也就失去了意義。

無人值守，基於蜂巢智能的現代化倉庫（Kiva Systems, LLC.）

學習創造：「人腦模式」也未必更好

然而，在學習和創造領域，模仿「人腦模式」也未必比現有的計算機技術更有優勢。

隨著「大數據」的概念席捲全球，在實驗室里醞釀多年的機器學習技術終於走出實驗室，走進實際應用。很多原本被認為是「人腦獨霸」的工作，譬如人臉識別、國際象棋、音樂創作等等，現在也慢慢出現了被電腦代庖的苗頭。而完成這些任務的電腦，也並沒有採取人腦的信息處理模式。

為什麼諸如探索、學習、創造這樣本應由人腦固守的領地也會被攻破？這要追溯到人腦的一個底層缺陷——記憶能力不足。

大腦的基本組分是神經元細胞，這種細胞可以組成高效的信息網路，但它並不是很好的記憶元件。神經元細胞從功能上來說像是一個傳聲筒，你這頭傳話進去，它在另一頭變個聲音傳話出來。這種類似「濾波器」的結構能夠迅速完成一些信號變換，但是卻不適用於長期儲存信息。相比之下，電子元件或者磁性元件能夠長期保持在「電位高」、「電位低」或者「磁極南」、「磁極北」的狀態，信息一旦寫入就很久不會遺忘。正因為如此，計算機天生就能做到「過目不忘」，而人腦則要付出很多精力來鞏固記憶。

除此以外，電磁元件的狀態只要通過簡單的操作就能在幾微秒內翻轉變換，所以信息不但存得久，而且可以迅速進行更改。然而，在神經元細胞構成的大腦網路中，要想快速改變狀態就不那麼容易了。一種公認的方法是通過「神經可塑性」（neuroplasticity）來改變神經元的活性，但這種機制需要細胞的輸入端和輸出端發生成千上萬次的脈衝耦合，當這些巧合發生之後才能夠對神經突觸的強度有所影響，耗時也從幾分鐘到幾十年不等。所以從存入信息的速度上來說，計算機天生「一目十行」，而人若能如此估計早就上了「最強大腦」。

像識臉、下棋、作曲這些任務固然需要學習、聯想和創造，但更重要的其實是積累龐大的信息資料庫作為支持。而由於長久記憶和快速固化能力的先天不足，人腦要花超過電腦很多倍的時間才能儲備足夠的數據。如果在模擬大腦的研究領域，記憶能力不足的問題沒有得到解決，那麼「模擬腦」在這些學習任務上也就沒了優勢。

人腦至今領跑的項目：運動控制

那麼在人腦的功能里，究竟有哪些是電子設備至今還難以企及的呢？孤懸于海中的一盞明燈乃是人腦對肢體運動的控制。

人體的運動神經信號傳輸質量其實遠遠比不上電子設備。人體中的神經脈衝信號常年經受著各種雜訊和擾動的影響，如果插管偵聽的話就會發現神經元脈衝的規則程度經常比「收聽敵台」好不了多少。此外，神經信號的延遲也十分可觀，神經脈衝的傳播速度平均下來只有幾十米/秒，就算完成一次最簡單的脊髓反射也需要花費掉30毫秒之巨。而在這30毫秒之內，一個不算太高端的嵌入式控制器（假定1000Hz採樣率）已經完成了30次微調控。

然而，在這些巨大的劣勢之下，人類居然還能完成各種跑跳投捻推揉，行動的過程中還能根據外界環境的變化實時調節動作。這些重重挑戰簡直就是機械疙瘩和矽片腦袋的噩夢。

如果真要用晶元來製造「模擬腦」，運動能力大概會是一個不錯的研究方向。而模擬神經網路能否讓機器人運動自如，這還需要更多研究才能下結論。

造腦的終極走向

腦神經科學最近40年來得到了突飛猛進的發展，大腦的神秘面紗已經一點點被揭開。與此同時，計算機科學同樣也是兵多將廣，很多傳統概念中「人腦專屬」的功能也在非人腦體系中得以實現。在腦神經科學和計算機科學的雙重夾擊下，用電子技術來「重造大腦」這個比較古老也比較另類的技術流派，它的目標需要重新定義，帶來的意義也必須重新思考。

從研究角度講，「擬真大腦」應該幫助人類揭開腦科學中的謎團。而從實用技術角度看，造腦的目的則應該是剝離出人腦真正強勢的功能，製造出超越人腦且超越電腦的新體制智能設備。如前所述，我們對於大腦的熱情膜拜在一項項工程突破面前開始降溫，但在肢體運動控制這樣的領域，「人腦模式」的表現依然值得期待。

要想製造出具有人腦般性能的晶元，研究者們還有很長的路要走。不過從另外一個角度來看，人們似乎已經在無意之中造出了像人腦一般運行的事物——互聯網。其實，整個互聯網越來越像是一個人腦：結點的數量規模也相當龐大；各個節點之間任意互聯、高度協作；網路結構根據實際需求在不斷自我調整；結點之間完全獨立並發、互相協調但互不隸屬。2012年全球估計接入互聯網的電腦數量是10億左右，雖然和大腦的幾百億神經元還有差距，但也算是初具「神經網路」的規模。我們在這裡為了晶元造腦而絞盡腦汁的時候，整個人類說不定已經自組織成了另一個尺度上的「大腦」呢。（編輯：窗敲雨）

neuromorphic chips[1]...我前幾天剛好在找這方面的資料。這東西一開始是用來實現一些類似人工神經網路的演算法的，基本上就是硬體化的神經網路。早期比較有代表性的是VLSI系列產品，做模式識別的。但神經網路演算法用軟體實現不就完了么幹嘛要弄硬體啊...所以這東西一度沉寂。近幾年納米技術迅猛發展，誕生的CMOL[2]技術跟這個的特點很match。再加上這幾年搞腦模擬，有人想用這個做硬體模擬，理論基礎是二極體和神經元具有一定相似性（漂移電勢vs能斯特電勢，diode channel v.s. ion channel）好像有人用這個模擬了一個功能柱出來。這方面比較前沿我了解的較少了，有篇文章你有興趣的話可以讀個大概。[3] 不過模擬出來的終究不是大腦...二極體跟神經元區別還是大著呢，最多就是在有些功能上相似而已。

[1]Neuromorphic chips
[2]http://www.ece.ucsb.edu/~strukov/papers/2005/LectureNotes2005.pdf
[3]http://userwww.sfsu.edu/necrc/files/thesis/thesis_report_Padmavalli.pdf

其實現在的人工智慧的目的，不是為了模仿人腦，而是在不斷地探索中找到一套更加高效的方法，甚至可以超過人腦。

大概知道一些，可能不準確。查證後我再更。

IBM新發的晶元，其實就是模仿人的神經元結構，分成若干個單元，每個單元之間相互聯繫，單個單元內部還有若干個小單元輸入輸出。非常簡單的思路。我感覺複雜性主要體現在演算法上。
另外synapse屬於可編程類晶元，即它內部是動態的。可以進行學習，估計是supervised learning.
據說這款晶元已經有遠遠優越於硅計算機很快的運行速度。