如何看待 IBM 製造出首個人造相變神經元？
外媒新聞：IBM scientists claim neural computing breakthrough
中文新聞：IBM發明世界首個人造神經元，人工智慧的底層硬體基石已完成！相關鏈接：IBM creates world』s first artificial phase-change neuronshttp://www.nature.com/nnano/journal/v11/n8/full/nnano.2016.70.htmlIBM scientists imitate the functionality of neurons with a phase-change device
IBM Scientists Imitate the Functionality of Neurons with a Phase-Change Device這會對將來的人類世界有何影響？
我在 神經貓學術觀察 這個微信公眾號寫過關於這個新聞的一點解讀。作為一個神經生物學研究者，我比較關注這個人工神經元和真正的生物神經元的異同之處，同時想探討一下到底人工智慧離我們還有多遠。鏈接是公眾號的原帖，感興趣的同學歡迎關注這個科普+逗逼的公眾號：神經貓學術觀察 人工智慧到底離我們有多遠？我把原文在這裡重新貼一下，歡迎童鞋們多多指正：緣起：人工智慧界老司機（IBM）宣布重大突破：模仿「生物」大腦
最新的一期自然納米科技（nature nanotechnology）正式刊登了一篇名為《隨機相變神經元（Stochastic phase-change neurons）》的封面文章，作者是IBM蘇黎世研究院由希臘科學家Evangelos Eleftheriou帶隊的主攻研究雲存儲和計算硬體的團隊。
為什麼好好的一支研究存儲硬體錢途無量的隊伍會誤入歧途搞起了仿生學呢？特別是和人工智慧杠上了，這可是了不得的大事兒啊！人家特斯拉和SpaceX創始人兼傳說中鋼鐵俠現實化身的科技大觸（好長的頭銜，感覺和龍媽有一拼）Elon Musk 諄諄教導過我們：人工智慧搞不得啊！而且身殘志堅有金屬音的物理大觸Stephen Hawking也聲嘶力竭的呼籲：人工智慧會搞死人類呀！
IBM不嫌事大的當天就在官網上報道：《咱們家新搞出來的人工神經元的是能自主學習噠（Unsupervised learning with artificial neurons）》，還自導自演地讓作者之一的Manuel Le Gallo用問答形式解釋了這個人工神經元在人工智慧界的意義。各位一起吃瓜的小夥伴們大概已經注意到了，自主學習這個詞在人工智慧界相當於一枚核彈的威力，因為這可是標誌著這個人工的產物已經達到了生物（creature）的標準。
Unsupervised learning with artificial neurons
不過IBM的報道其實還算客觀，他們沒有使用一般介紹人工智慧自主學習時所用的autonomous learning 或者independent learning，而只是介紹說這個新的人工神經元還處於模仿生物神經元活動階段，並非實際意義上的自主學習。那麼，這種「模仿生物」怎麼就搞出了一個大新聞呢？可以這樣說，從前意義上的人工神經元都是基於CMOS電路（比如電腦中的標準晶體管）進行搭建，是一種「機械」意義的產物。而這個新型人工神經元是使用了非CMOS的相變裝置，可以實現降低能耗和提高區域密度的仿生物神經元特性，模仿的是真正的「生物」大腦。吃瓜群眾：你成功地引起了我的注意這項研究不僅在理工宅男界引起震動，社會科學家也表示高度的關注。知名雜誌經濟學人The Economist也用《神經都被你搞定啦（you『ve got a nerve，一語雙關也有膽大包天的意思）》為題，對IBM團隊縮減了人腦和電子腦之間的鴻溝的突破表示撒花（吃瓜群眾表示有好戲看）。人工神經元的第一作者Tomas Tuma和團隊負責人Evangelos Eleftheriou也借這本雜誌放話說，他們的下一步目標是把單個人工神經元整合連接起來，作為一個新型的神經網路實現更高效節能的大規模計算，並搞定一些如語音或人臉識別等基礎的人工智慧該做的事。
http://www.economist.com/news/science-and-technology/21703301-narrowing-gap-between-biological-brains-and-electronic-ones-youu2019ve-got
國內的知名科技新聞博客，如DeepTech深科技（麻省理工科技評論）等，也喜大普奔地發稿說《IBM發明首個人造神經元，人工智慧的底層硬體基石已完成》，廣大深宅網友們也興奮了起來，紛紛表示活久見，甚至有評論認為：這個新型人造神經元的出現標誌著人工智慧的硬體已經基本具備，廣義人工智慧時代有望提前到來。
黑人問號臉：所以人工智慧是實現了嗎？
和一票已經開始腦補斯嘉麗約翰遜性感聲音的宅男們不同，吃瓜群眾中始終有一小撮（或者一大群）不容易糊弄的掃地僧（比如我們的讀者）。機智如你肯定想問：Are we done? 到底我們離人工智慧還有多遠呢？
要回答這個問題，首先得先定義一下人工智慧（artificial intelligence，AI）。但其實，有點難以定義。。（那你還說什麼！）現在人工智慧還沒有普遍的標準，但比較流行的觀點是MIT的John McCarthy在1956年提出的：人工智慧是讓機器行為表現出人所表現出的智能行為。隨著技術的發展，又有了狹義人工智慧，廣義人工智慧和超級人工智慧的區分。
狹義人工智慧（Artificial Narrow Intelligence， ANI）：是實現人工智慧的第一階段，主要是通過軟體的編譯和演算法的改進，模擬人類的智能行為和思維方式，在特定領域完成單一任務，比如現階段的圖像識別、語音處理，甚至是戰勝人類圍棋手的AlphaGo都屬於這一個範疇。優秀代表：阿發狗。
廣義人工智慧：更高一個階段是廣義人工智慧（Artificial General Intelligence，AGI），是包括硬體發展在內進一步模擬人腦，可以跨領域解決不同的問題，具有像人一樣的推理和思考能力。優秀代表：星球大戰的C3PO和R2D2。
超級人工智慧：最終（或許）人類能發展出具有自適應、自主學習能力並且能夠像人類一樣持續穩健工作的超級人工智慧（Artificial Super Intelligence， ASI），他們甚至有可能具有自我思維、意識和情緒。優秀代表：各種科幻電影里的大boss。
超級人工智慧在現階段主要還是科幻電影和恐怖小說考慮範疇，除了需要科技上的突破，還有很多倫理學社會學需要深究的問題，作為一個嚴（wu）謹（liao）的科普公眾號，這裡就不羅嗦啦。現在大部分精英如你我的科學家們考慮的主要還是對廣義人工智慧的實現。
廣義人工智慧的本質是在基於規則的計算機系統中實現對人類思維的模擬。但在現今人類的認知領域中，最重大的三個問題： 早上吃什麼，中午吃什麼，晚上吃什麼。。。咳咳咳，對不起，請原諒餓了的po主，不是這三個。也不是：你是誰，你從哪裡來，你要去哪裡，這三個門衛哲學家最愛問的問題。（正經臉）最重大的三個問題：大腦是怎麼運作的？思維是什麼？什麼叫意識？仍然是人類認知領域的黑洞，所以在現階段實現廣義人工智慧最可行的手段就是對人類大腦的生物學信號傳遞方式以及神經元之間的連接方式的模擬（不懂你為什麼這麼牛，先成為你的迷弟再說——模仿偶像是成功學的重要標杆）。
這還得從生物神經元（neuron）的特性講起。神經元作為一種特異的細胞，其形態與功能多種多樣，但有一個統一特性就是相互之間可以傳遞信息。所以不論是何種神經元，基本上都由：樹突（dendrite）作為接收輸入端（receptive zone），胞體（soma）作為整合觸發區（integrating/trigger zone）， 軸突（axon）作為傳導輸出區（conducting/output zone）。正是因為有了這些特異的結構，使得神經元有了兩個特性：1.整合多個輸入端的傳入信號而產生興奮性；2. 超長距離傳導信號時無衰減性。
這個新型的神經元完成了對生物神經元基礎結構的模擬，它的主要構造由頂部電極（top electrode）和底部電極（bottom electrode）構成接受輸入和傳導輸出端，以及由相變合金（鍺（Ge）銻（Sb）碲（Te），GST）製成的電信號整合和觸發區域組成。鍺銻碲合金薄膜（GST）可以在晶體（crystalline）和非晶體（amorphous）兩相之間變化，晶體形態時導電，非晶體形態不導電。在人工神經元中，鍺銻碲薄膜起初是非晶體相的。隨著信號的到達，薄膜逐漸變成晶體相開始導電，電流通過GST後，經由輸出端發射出去，完成一次電信號的傳導。所以在基本的信號傳導上，和神經元大致類似。
GST相變材料的另一大特點是可以採用納米級的製造工藝來製作單個神經元，在論文中提到已完成的晶片達到了90納米的工藝，據稱最優可以達到14納米，所以當這些單個神經元並行排列時，可以構建多個神經元交叉陣列，在最大程度上模仿人腦神經元群和神經網路的運算機制。IBM的最終構想是使用這個新型神經元進行神經形態工程學（neuromorphic engineering）上的模擬。簡單說就是利用使用這些神經元陣列晶元排布出模擬電路（analog circuits），最終形成超大規模集成電路 (very-large-scale integration, VLSI)來模仿人腦的神經系統。
其實不然，還有很多生物神經元的特點，我們還很難實現。記憶力好的童鞋們可能還記得神經元的兩大特性中，新型人工神經元實現了動作電位全或無的興奮性，可是卻無法實現無衰減傳導性。由於在生物體中突觸聯繫大部分是跨越腦區，有些甚至是從外周系統直接傳至中樞系統的，所以只有同時實現了信號無損耗的傳導，才能真正滿足了神經元的傳導特性。
同時對於大腦的深層功能的研究，比如神經系統的發育，腦區間的相互聯繫，各個生理和病理狀態的產生，以及意識、記憶和情緒等高級反應的機制等等，都還處於盲人摸象和搭建拼圖階段，所以要真正實現仿生和類人腦的人工智慧還有很長的路要走。
所以工欲善其事，必先利其器。要製造出模擬或者超越人腦的人工智慧，必須先掌握大腦的運作機制，只有弄清楚了神經網路的運作的方式，才能更好地對其進行模擬。
科研老司機的集散地歐盟和美國在2013年分別啟動了人腦計劃（Human Brain Project，HBP）和「腦計劃」（Brain Research through Advancing Innovative Neurotechnologies，BRAIN Initiative）。這兩項腦計劃非常有趣地從兩個完全不同的方向，但是最有可能出現模擬人工智慧的領域進行研究。
歐盟HBP的目的是利用超級計算機技術模擬大腦中860億個神經元以及100萬億個突觸的活動，構建人類大腦的計算模型，實現仿神經計算平台並建立神經機器人。而美國BRAIN initiative則側重於對新型腦研究工具和技術的研發，通過最新的成像技術、基因工程技術和電生理技術來弄清楚每個神經元的類型和各個腦區之間的內在聯繫，探索人類大腦的工作機制並繪製腦活動全圖。
不要廢話，中國的科學家一言不合也是一腳油門：中國也會在2016年會啟動中國腦計劃（China Brain Project，CBP），我們也很有自己的優勢和偏重點。我們的腦計劃會更加側重於高級功能的研究，通過利用國內特有的靈長類資源進行最接近於人類大腦的認知功能、決策功能、學習記憶和情緒等方面的探索，並結合多種神經系統疾病和類腦功能的研究，來完善對人腦的認知。
我們認為，IBM的隨機相變神經元確實是近期人工智慧領域的新突破，解決了重要的動作電位全或無的興奮性問題。然而，實現模仿生物腦的人工智慧所必需的要件：無衰減的傳導性、化學突觸、大腦工作的深層次機制等方面，仍然需要科研工作者們繼續努力。學有餘力的小盆友，想不想也搞個（科研的）大新聞呢？我們看好你喲~
http://weixin.qq.com/r/BDlRSQXEhFj7rUEq92wW (二維碼自動識別)
歡迎大家掃描二維碼關注一下公眾號
目前的答案分為兩類
1.人工智慧前進了一大步2.沒有什麼卵用說實話兩類答案都太極端了。
首先這個工作對人工智慧的影響沒那麼大，畢竟想實現高級智能還是依賴於演算法和理論的進步。隨機性什麼的其實現在更多是坑而不是優點，現在做晶元的做器件的常常把一些和生物大腦不是完全匹配的特性拿出來吹，這些特性真正用起來其實非常難。但電子神經元對於人工智慧的發展還是有一定積極作用的，現在的馮諾伊曼計算機和人工智慧演算法其實不是最適配的，現在很多加速器設計也只是各種優化，本質上還是受限於馮諾伊曼瓶頸的，以後計算性能越來越約束人工智慧演算法的發揮。而用電子神經元和憶阻器電子突觸組合，有計算與存儲融合的特點，避免了馮諾伊曼瓶頸。
其實做一個神經元是很容易的，可以用通用處理器模擬，可以根據神經元模型用數字電路搭建，可以用模擬器件模擬電路實現。這個相當於在器件層面實現了這樣的功能，好處就是集成度能非常高。這對未來構建大規模系統是非常重要的，畢竟你不能指望靠現在這樣的通用硬體來支撐未來的通用智能，現在用CNN做個視覺感知就得各種GPU，視覺系統在大腦里才佔多大嘛！
再補充幾點：
有些人說目前演算法和腦科學理論上沒有突破，晶元造再厲害也沒用。這話是沒錯，但沒有更快的硬體設施，演算法很可能受限於計算能力而很難突破，現在的DL的形態很大程度上也是硬體能力和演算法效果的折中。等有了更快的硬體，我們才能去嘗試更大更複雜的模型。即使立足當下，新型晶元對當前的DL加速也能提供新的方案。有很多人可能覺得這些神經形態系統做的是脈衝神經網路（SNN），和目前DL所用的人工神經網路（ANN）在實際任務上沒法比。這個想法太割裂了，上層跑什麼應用和底層怎麼跑並不需要完全一致，SNN用頻率編碼就可以和ANN等價了，底層硬體用SNN模型，以頻率編碼的方式運行一個ANN完全沒問題。
至於為什麼神經形態工程用SNN？很多人只關注了SNN模型和ANN模型演算法能力上的對比，但目前而言SNN確實沒什麼殺手級應用，其實就目前而言更多的是工程實現上的考慮。
試想大腦為什麼用SNN？因為用脈衝信號進行通信，線路上的衰減不會使通信失真，如果像ANN那樣直接傳遞一個實數來實現，在生物實現上恐怕是非常難做到的。現在基於數字電路系統，自然是用ANN更合適。但如果用模擬電路呢？這些器件層面實現的模擬神經元和模擬突觸會比數字系統高效很多，而模擬信號的保持和傳遞是很困難的，此時用SNN會更加高效和方便。實際上目前類腦計算和深度學習並不像一些人想得那麼割裂，底層系統角度完全是相通的，應用演算法理論方面深度學習也和腦科學相互借鑒和融合。謝邀，memristor的東西，發發paper而已。
基本沒有大規模量產的可能性，ISCAS2014，我看到了第一個實物memristor，這個是從幾千個裡面挑出來的唯一一個工作的，就這樣，那個組還很興奮的宣布，良率提高了很多。
HP去年宣布暫停memristor的項目了，從08年開始就試圖生產的東西。IBM公布的相變神經元有兩2個重要特點：
1.和生物神經元具有類似特點，相變神經元是隨機的，在相同的輸入信號下，多個相變神經元的輸出會有所不同。
2.人工神經元表現出和人類神經元一樣的「集體編碼」特性。它的信號處理能力已經超過了香農採樣定理規定的極限。
真正擬人的人工智慧時代的開端。
從1可以看出，IBM的相變神經元在有相同輸入信號的時候，會有不同輸出信號，換句話說就像我們人類，對待一件事情在不同情況下是不一樣的，也就是我們的決策判斷會受到環境的影響，從更微觀的層面說，我們的神經元雖然受到了同樣的輸入信號，但是由於一些干擾，輸出卻不同，最終形成了我們不同的決策。所以相變神經元可能帶來真正具有擬人的自主判斷決策的人工智慧時代。極高的辨認能力。
我想，第2點想表達意思是即使在極低的信噪比情況下，也能夠提取出有效信號。同樣換句話說，我們人類通常能用一些隱晦的說法來表達情感，或者通過一些細微的特徵進行準確的判斷，辨認，但目前的機器和人工智慧做不到，因為這些內容含有太多干擾，太多雜訊，以目前的技術無法提取有效的信息。但是相變神經元在這方面可以展現出更出色的能力。結合以上兩點，未來是什麼樣的呢？
就像鋼鐵俠的助手Jarvis，就像《生化危機》的Red Queen，就像《終結者》中的Skynet。
具有意識，感知，自我判斷能力的人工智慧。未來的我們就能夠像培養一個孩子一樣，培養我們自己的可以應用在各個領域的人工智慧助手了。
當然，到那一天像這種我們親自打字回答問題的情景也不會再出現，依靠經驗的重複性工作將完全被替代。
甚至它就是另一個你自己。從進化上講，這一步跨越了二十五億年前到六億年前的過程。。。
之前回答在另一個問題下如何評價IBM創造第一個人工相變神經元？ - 阿hong 的回答，但是兩個問題明顯重複了，那個問題只有一個回復，因此移過來了
好像只有我的關注點在相變材料上，畢竟知乎上整個相變話題也才二十多個關注者。。。
在我之前的一篇微機電系統（MEMS）文章（揭開MEMS（微機電系統）的面紗 - 微機電系統（MEMS） - 知乎專欄）中也提到了，相變材料在MEMS也是比較特殊的一類器件：
（另外一個非位移式MEMS典型例子是依靠材料屬性變化的MEMS器件，例如基於相變材料的開關，加入不同電壓可以使材料發生相變，分別為低阻和高阻狀態，詳見後續開關專題）。
以下內容主要來自於以前所寫的一篇相變材料綜述，過於具體的技術細節刪除後，通過在線翻譯及校對將原文翻譯為中文分享於此，水平有限，歡迎指正與指導。之前寫了或打算寫一些相變材料在微電子方面的應用，包括憶阻器，存儲器及各類可重構射頻器件，日後有空再來補充，有興趣的可以關注專欄查看更新微機電系統（MEMS） - 知乎專欄。
相變材料（PCM）已廣泛應用於非易失性存儲器和光存儲器。現在，相變材料由於其相變前後顯著的電阻率變化，在MEMS射頻開關和可重構射頻系統（即可切換工作頻率，比如用來實現多模通信）表現出了優異的性能。相變材料MEMS射頻開關表現出優異的特徵，包括低插入損耗、隔離度高、線性度好、功率容量，並與CMOS電路易於集成，最近吸引了大量的注意。隨著無線通信系統的快速發展進步，可重構射頻設備越來越重要。其中一個解決方案便是採用使用相變材料PCM製作射頻開關來重構射頻器件。相變材料的物理性能，如光學反射率和電阻率，在相變發生前後會產生顯著變化。雖然該相變轉換的物理機制尚不十分清楚，我們已經能夠在射頻開關利用PCM。
此處筆者將詳細介紹兩中典型的相變材料，Ge50Te50和二氧化釩（VO2），及其在射頻領域的應用。
首先大致介紹一下相變材料：
這裡所關注的相變材料的特殊之處在於擁有兩個特殊的相，這兩個相的某些屬性（最關注的就是電阻率了）具有顯著的差異，可以通過兩個相的轉換實現類似開關的功能。這兩個相分別是無定形amorphous態和晶體crystalline態。
高低阻態還是比較好理解的，晶體crystalline態具有更好的電子移動性能，為低阻態，相反的，無定形amorphous態為高阻態。具體而言，比如對於GeTe，非晶態是一種原子排列混亂（短程有序）的狀態，而結晶狀態是一個原子組織有序（長程有序）的狀態。無序的無定形狀態有一個較低的平均自由程的傳導電子，阻礙了當前的流動，由於電子散射，從而導致在一個更高的電阻，相比於結晶狀態。
▲圖為相變材料兩種狀態：無定形amorphous態和晶體crystalline態
▲相變前後發生了顯著的電阻變化。
換言之，相變材料在熱驅動下，產生可逆的相變，發生可逆的電學/光學性能突變。更嚴謹一些的話，針對不同相變材料，除了熱驅動，還有多種多樣的觸發方式，電場，激光，甚至壓力應變都可以。
其實相變的過程中甚至還可以用顯微鏡看到其顏色產生變化，這也成為相變發生與否的一個判斷依據。
▲圖為相變開關中兩種相(a) crystalline (b) amorphous states.圖片中的相變主要發生在中心處（filament，大概是翻譯為燈絲狀）。
Ge50Te50和
VO2是比較深入研究了的兩種相變材料，其優勢在於特殊的相變觸發條件及相變前後高電阻變化率。對於Ge50Te50，電阻變化率可達10e6倍，而對於VO2，電阻變化率是10e5倍。此外，兩種材料的關鍵不同在於其相變觸發方式。
Ge50Te50
相變材料射頻開關切換後不需要消耗額外的功率，即相變轉換是非易失性，轉換後會保持該相。之間的非晶轉變（絕緣）和晶體（導電）的狀態是通過加熱和冷卻來實現。如下圖所示，通過加熱相變材料到特定溫度（結晶溫度T_c或融化溫度T_melt），且保持一個特定的時間（&>
100納秒可以開啟，&<
40 ns的可以實現關閉）可以實現相的變化。
▲圖為Ge50Te50 相變材料的相變觸發方式。快速熔化/淬火導致其變化為無定形amorphous態（高電阻狀態），而較慢、較低的脈衝則導致其變化到晶體crystalline態（低電阻狀態）。
VO2 相變材料則有所不同，當其溫度超過68°C的臨界轉變溫度後，即保持低阻狀態。在室溫附近的臨界轉變溫度（在某些情況下）是一個顯著的優勢，對於構建射頻開關而言。除了熱觸發，VO2相變射頻開關也可以通過DC /射頻觸發（閾值電場從~ 10e4至10e7V/cm不等），磁，光，應力激發，或同時結合多種激勵來觸發相變，這表明了VO2具有更多的應用潛力。
三個典型的觸發方法如圖所示。
▲圖為VO2的不同的觸發方式為：（1）溫度變化導致電阻率變化；（2）電場變化導致電阻率變化；（3）激光觸發導致電阻率變化。
部分參考文獻：
[1] H. Lo, 「Probe Reconfigureble Phase Change Material Switches,」
Carnegie Mellon University, 2009.
[4] C. Wen, G.
Slovin, J. A. Bain, S. Member, T. E. Schlesinger, L. T. Pileggi, J. Paramesh,
and S. Member, 「A Phase-Change Via-Reconfigurable CMOS,」 vol. 60, no. 12, pp.
3979–3988, 2013.
[5] L. Wang and S.
Gai, 「The next generation mass storage devices – Physical principles and
current status,」 Contemp. Phys., vol. 55, no. March 2015, pp. 75–93,
2014.
[6] Z. Yang, C.
Ko, V. Balakrishnan, and S. Ramanathan, 「Correlated oxide phase transition
switch: A paradigm in electron devices,」 Device Res. Conf. - Conf. Dig. DRC,
pp. 187–188, 2011.
[7] S. Raoux, D.
Ielmini, M. Wuttig, and I. Karpov, 「Phase change materials Simone,」 MRS
Bull., vol. 37, no. February, pp. 118–123, 2012.
[8] W. Wetnic and
M. Wuttig, 「Reversible switching in phase-change materials,」 Mater. Today,
vol. 11, no. 6, pp. 20–27, 2008.
[9] S. D. Ha, Y.
Zhou, and A. E. Duwel, 「Quick Switch,」 no. October, pp. 32–44, 2014.
[10] Z. Yang, C. Ko,
and S. Ramanathan, 「Oxide Electronics Utilizing Ultrafast Metal-Insulator
Transitions,」 Annu. Rev. Mater. Res., vol. 41, pp. 337–367, 2011.
這玩意主要就是憶阻器嘛
學了幾年計算機，作為一個學渣，我倒是想探討一個問題：
「假如任何兩個bit的數據進行運算，不需要經過cpu的話，會是怎樣？」
簡單來說現在的電腦（我認為）有個重大的問題，就是數據交換必須經過cpu——當然咱們先不抬杠dma或者協處理器——其實後者也是經過cpu只不過被叫做協處理器。
而這種「神經元」的出現應該說是直接打破了「馮諾伊曼結構」——我個人認為神經網路（各種nn）是在一個馮諾伊曼結構下模擬這種數據可以直接交互的結構。
比如人腦，搜一下說是有80億細胞，那麼假設每個細胞之間每秒可以交換數據為1bit/s，那麼意味著交換數據的吞吐量大概是8GB/s——顯然人腦交換數據的速度不止這麼低，印象中有說法說腦細胞大概200hz，然後每秒交換的數據我們用8bit量化的話，大概大腦每秒鐘數據交換總量可以有8000GB/s。實際上這個過程要是用一個alu或者幾個alu來模擬的話，假設大腦每個神經細胞可以連接200個其他細胞，那用alu來模擬複雜度又增長了不少。我個人認為大腦的數據吞吐量是遠高於現在的計算機甚至超算的——因為神經元還可以構成複雜的網路，降低數據交換的成本，但電腦目前不可以。在普通pc上跑各種nn，複雜度應該和層數呈指數量級的增長吧？
當然，這個其實並不是最主要的問題——更重要的是大腦是如何組織的。單純的模擬，頂多就是慢一些快一些，多花幾個超算的問題，或者單純等下一代cpu gpu的問題。
其實人腦未必那麼神秘，可能之前的方法不夠簡潔——知乎前一段不是說了拿研究人腦的那一些方案去研究一個apple2的cpu，分析出來的結果都是非常匪夷所思的。
這只是一小步吧，但是人工智慧時代的曙光，從埃尼阿克開始就已經嶄露了。我們已經煉出鐵了，馬上就能造出火箭了
刷個存在感吧。
IBM宣布造出首個人造納米隨機相變神經元的意義。？
如何看待？如果能真的運用於工業級和商用AI領域，提升數據訓練量、訓練效率，那麼意義還是很大的。但是目前這個晶元產品work不work真的兩說。雖然IBM這麼快就搞出這個東西來了，確實算是黑科技。
一直以來都覺得人類是沒有辦法通過非生命物質（硬體製造、演算法等）構造智慧生命體的，除非人類進化出更高級的智慧，變得全知全能。但是最近卻越來越不這麼想了。
你碰一下含羞草，它就會收攏葉子，這種行為展現出來的生命特質讓你覺得不可思議（自然的感知能力）。 現在組建一台「含羞草」機器人已經太過簡單。就像MC里一個道具一樣，你操作它總會觸發什麼事件。雖然這一切都是演算法寫好的規則，但生命演化本來就像在既定規則里加入大量的隨機性。
IBM的「隨機相變神經元」就具備這種隨機特性，這似乎很接近生命演化的必備條件：就像在催化生命誕生一樣，讓原本邊界明確的規則充滿變數。這一點還是讓人有些期待的。你有足夠的資源（數量龐大的神經元、存儲器、硬體設施等等），把AI丟在裡面不斷對抗演化，它會在環境中探索，直到進化出最適合自己的生存策略。當然，人類依然可以設定它的演化方向（激勵）。事情不會變得不可控，但結果可能出乎你的預料。
「最終製造出會思考會學習能與人自然交流的人工智慧還有多長路要走？」，這個還很漫長，高等智慧所具備的那些能力——情景記憶、邏輯思維等等，這其中的本質還沒有被發現。個人猜想，未來人類更像電影『雲圖』里那樣，通過人體生物技術批量複製人造人「星美」，而不是依託計算機科學。換個說法，AI像大眾想像的那樣，獲得掌握一門語言的能力並與人類進行交流，這件事尚屬於科幻範疇。問題連接才是難點，更重要，更接近智能的本質。
仿生學是人類進步的階梯啊
藍巨人終於找到特效救心丸。能再活幾年了。
另一隻「香農的老鼠」。
從硬體角度意淫下：
晶體管可以量產，排列10億晶體管在顯卡上也是常見的 。強人工智慧到來的那天應該是，3維排列1億個人工神經元，每個神經元連接另外200個神經元這工藝好像很難呀
看了專業人士的回答，看來它還缺少一項關鍵的突破啊