科创中国

问题概述
从计算机诞生起，人们就不断要求它的计算能力提升，随着芯片集成性越来越高，CPU与内存之间的性能差距越来越大。基于冯诺依曼结构的计算机结构呈现的缺点也愈加明显，也有人称这为内存墙，意思是说CPU再快，也要等内存。相比之下，人脑却没有此类问题出现，据研究表明，人类大脑平均每秒可执行 1 亿亿次操作，所需能量只有 10～25 瓦特。因而研究员们正转向模拟人类大脑研究，试图通过模拟人脑运转机制，使计算机能低能耗高功效地进行计算，甚至使计算机优于类人的智能。
神经拟态的类脑计算的基本思路是将生物神经网络的概念应用于计算机系统设计，针对智能信息处理的特定应用来提高性能与降低功耗。与经典的人工神经网络不同，生物神经网络属于脉冲神经网络：一个神经元接受输入脉冲，导致细胞体的膜电压升高，当达到特定阈值时，发出一个输出脉冲到轴突，并通过突触发送神经递质与后续神经元树突上的接受体相结合来改变其膜电压。因此生物神经元之间的通信机制是膜电压升降的脉冲，而非人工神经网络中的数值运算。
目前，国内外有许多公司和机构正在类脑研发上投入大量精力，美国在此项研究上开始较早，2014年IBM就推出了业内首款类脑芯片TrueNorth。
我国十分重视类脑研究，并将类脑计算作为国家战略发展的制高点。不仅在2015年将脑计划作为重大科技项目列入国家“十三五”规划，还发布了关于脑计划“一体两翼”的总体战略：一体即认识脑：以阐释人类认知的神经基础为主体和核心；两翼即保护脑：预防、诊断和治疗脑重大疾病和模拟脑：类脑计算。
学术界也展开了对类脑的研究，2015年中科院、清华、北大，相继成立“脑科学与类脑智能研究中心”，2017年5月在合肥成立了类脑智能技术及应用国家工程实验室。这些实验室将借鉴人脑机制攻关人工智能技术，推进类脑神经芯片、类脑智能机器人等新兴产业发展。
国际上代表性类脑计算项目如表1所列。

1. 实现技术：基于多核处理器、数字逻辑电路或模拟混合电路。
2. 神经元模型：包括LIF, AdEx IF, Izhikevich, QIF等。
3. 学习算法：是否支持片上学习算法，是否可以动态调整突触的强度。
4. 所支持的神经元与突触个数。这决定系统所能支持的神经网络规模。大量的突触，而非神经元，往往是占用片上硬件资源的主要因素。
由表1可总结出以下几点：
1. 除曼彻斯特大学的SpiNNaker系统是采用多核ARM平台运行软件外，其他芯片均是基于硬件电路设计。采用数字电路来仿真，涉及微分方程的递归求解，因此所需的运算能力与功耗较高。而采用模拟混合电路设计，可以利用模拟电路的物理特性来直接仿真神经元的连续性动态行为，其运算效率与功耗远远优于数字电路，因此大多数类脑芯片采用了模拟混合电路技术。要想做到超低功耗，则需要采用亚阈值模拟混合电路。IBM TrueNorth数字电路芯片之所以能做到超低功耗，是采用了异步电路设计技术来充分利用脉冲神经网络的事件触发特性，使得只有接受脉冲的神经元才会被激活，而其他神经元则处于睡眠状态。
2. 大部分芯片是实时运行的，可以与外界进行实时交互，适用于机器人、手持设备等嵌入式领域。
3. 一些芯片没有片上的学习功能，神经元之间的连接权重在运行时是固定不变的，这意味着神经网络的训练必须离线完成。可以采用基于CPU或GPU的大规模并行计算平台，将训练好的神经网络拓扑与参数下载到芯片上执行。这个限制大大简化了芯片设计，但同时也限制了芯片的动态自适应能力，任何改动都需要人工干预或重启系统。
4. 类脑计算的产业化还处于初步阶段。IBM TrueNorth是由美国国防部高级研究计划署提供资金支持研发的（共计5300万美元），IBM并没有投入任何资金。与IBM的沃森认知计算系统在医疗健康领域已经取得的商业成功相比，IBM TrueNorth的产业化路线尚不明朗。其他项目也尚无成功的产业化案例。
尽管类脑计算今年来有了不少进展，但是仍面临诸多挑战。
1. 训练算法。脉冲神经网络训练算法的理论发展还不成熟，特别是不能很好地训练包含多个隐层的深度神经网络。针对工业界常用的标准测试集，脉冲神经网络在分类算法精确度方面的性能通常会略低于基于人工神经网络的深度神经网络。
2. 编程模型。基于亚阈值的模拟混合信号芯片可以做到超低功耗，但是基于模拟混合信号的应用开发十分困难。
3. 类脑计算技术距离工业界的实际应用还有较大差距。但这些挑战也为研究者提供了新的研究方向和机遇。
重要意义
人脑的这三大特性始终是计算机无法比拟的：一是低能耗，人脑的功率大约为20瓦，而目前计算机功耗需要几百万瓦；二是容错性，人脑时刻都在失去神经元，而计算机失去一个晶体管就会破坏整个处理器；三是无需编程，大脑在于外界交互过程中自发学习和改变，并非遵循预先设计好的算法。
类脑芯片不仅能提高计算机的计算速度、降低功耗，其在国防领域也将发挥重要作用，对研发高度自主性的智能机器人以及提高其他设备的智能水平也有重要意义。从现在各大公司的研究成果来看，像IBM TrueNorth这样的类脑芯片运行的效率还不及以上提到的在传统架构上运用神经网络的芯片。但冯诺依曼瓶颈是客观存在的事实，随着运算数据量的增加，这一短板将越来越明显。
而人脑也的确凭借低功耗、高运算力成为计算机芯片研发学习的方向，但短期内类脑计算芯片还难以表现出其优势，或许随着对人脑研究的深入，会有人像牛顿一样被“上帝的苹果”砸中，从而拥有敲开具有高速运算力的类脑计算芯片领域的敲门砖。
总结而言，类脑计算是融合了脑科学与计算机科学、信息科学和人工智能等领域的交叉学科，我们有理由期待这一领域的研究将在不久的将来带来更多的令人瞩目的成就，推动智能技术向通用的人类水平的智能，即强人工智能的目标逐渐逼近。