我们无法确定未来，除非我们努力去尝试。在5年时间内，科学家将力争构建完全自主、能够根据周围环境进行有意义的交互反应的机器人；从长远看，这一技术将为任何计算机系统中更紧凑更低功耗处理器的诞生铺平道路，而不仅仅只是应用于机器人。
博恩从他的“神经栅格”装置上取下一片“神经形态电路板”
1982年，夸贝纳·博恩（Kwabena Boahen）获得了他的第一台电脑，那时他还只是加纳首都阿克拉的一位普通少年。回忆起当时的感受，他说：“这台机器真是太酷了。”他将这台电脑与一台盒式录音机连接，用以存储数据，并与用作显示器的电视机连接，他还为电脑编写程序……
但是，博恩对这台计算机的内在工作方式并不十分满意，“我在研究中央处理器如何来回转移数据时想，‘天哪，它工作起来简直像疯了似的！’”直觉告诉他，电脑设计需要多一点“非洲”特色，“多些灵活，少些刻板。”
如今，作为加利福尼亚斯坦福大学的一名生物工程师，博恩和其他一些研究人员正在试图通过大脑的逆向工程来创建这样的计算模式。
“神经形态技术”应用
大脑的高效运行足以挑战世界上最大超级计算机的运算能力，尽管它所依赖的是一些显然并不完美的“组件”：活动缓慢、多变而混杂的神经元。在一个比鞋盒还小的区域内，大脑承担着语言理解、抽象推理、控制运动等复杂任务，其消耗的能量甚至比一盏家用灯泡还小，而且不需要任何类似中央处理器这样的远程控制手段。
为了让硅元件也能做到这些，研究人员正在构建非数字芯片系统，尽可能地令其拥有与真正的神经元网络相类似的功能。就在几年前，博恩成功开发了一台称为“神经栅格”的装置――可模拟100万个神经元，相当于一只蜜蜂的大脑。如今，经过四分之一世纪的研发和运用，“神经形态技术”应用已初见曙光，给一些只需低功率、小体积的设备带来了辉煌的前景：从智能手机到机器人，从人造眼睛和人造耳朵。过去5年里，这样的前景吸引了很多人投身于该领域的研究，美国和欧洲的一些研究机构为此已投入了数亿美元。
瑞士苏黎世神经信息学研究所（INI）的吉科摩·英迪维瑞（Giacomo Indiveri）认为，神经形态技术同时还为神经学家提供了强大的研究支撑，比如，通过实体物理系统，可更为直观地观察神经功能模型系统的运行，“人们可以由此更好地理解大脑的构建方式。”
博恩说道，神经形态技术将有助于规避摩尔定律导致的一些迫在眉睫的局限，计算机芯片产业长期以来形成一种趋势，在一定的空间内置入的晶体管数量每隔两年左右会翻一番，而体积的收缩将导致硅电路变得太小而无法再生成清晰的信号，最终，信号变得像神经元一样混乱。为此，一些研究人员正在致力于软件修正方法来解决这个问题，比如，帮助网络顺利运行的统计纠错技术。但博恩认为，最有效的解决方法是构建一个类似于大脑的系统。
“我的目标是一种新的计算模式，”博恩说道，“一种即使在组件过小而不可靠的情况下也可以进行运算的模式。”
硅神经元网络构想
“神经形态”这一术语源于20世纪80年代加州理工学院的卡弗·米德（Carver Mead）。米德是世界微芯片设计先驱，他首次提出并强调大脑节能优势的观点，并为此而着迷。然而，大脑究竟是如何做到这一点的呢？
米德通过“亚阈值”硅来模拟大脑的低功耗处理过程，即无法让普通计算机启动运行的电压，却仍然可以有微小的、不规则的电流通过晶体管，这些电流的大小和变化情况与在神经元通道中流动的离子所携带的电流相似，再加上微观电容器、电阻器和其他可以控制电流的组件，这些小小的电流也许能表现出与神经元一样的电学性能――在分散的网络中，它们可以像大脑中真实的神经电路一样进行连接，在各组件间形成通信线路，而不是通过中央处理器。
20世纪90年代，米德和同事证明了建立一个真实的硅神经元网络的可行性，即这样的设备可通过接点接收外部信号的输入，起到神经突触将脉冲信号在神经元之间传递的作用――允许输入信号其电压在电路内部积聚，当电压达到某个阈值，硅神经元被“触发”产生一系列电压峰值，沿着起着神经轴突作用的线路运行。
从真正意义上来说，这些峰值是“数字”式的，只是开或关，但如果形成整体的硅神经元的运行方式，就类似真正的神经元一样，是以一种非数字式方式运行，这意味着电流和电压并不像在传统芯片内中那样仅限于处理几个离散的数值。
这种行为模拟了大脑低功耗运行的关键点：与生物神经元一样，硅神经元使用了非常小的能量来整合输入信息，直至硅神经元最终被“触发激活”。相比较之下，传统计算机需要持续的电能来运行，无论芯片是否在进行运算。
米德团队还演示了分散的神经回路，最显著的是一个硅电路版的眼睛视网膜。这一装置通过50×50栅格的探测器来捕获光线（其过程在计算机屏幕显示时发现），硅元件对光线、阴影和移动物体的反应与生物神经元的反应相类似。就像大脑一样，该装置只发送有用的数据来达到节能的效果，只有感知到光的变化，视网膜上的“硅细胞”才会有反应，而其他大多数“硅细胞”则没有反应。硅电路版的视网膜会重点关注移动物体，从而将必须传输和处理的数据量最小化。
模拟大脑工作的芯片
1990年，博恩加入了米德的实验室，当时已经具备了开发视网膜单芯片装置的技术。博恩说，到90年代末的时候，“我们希望能创建一个‘大脑’。为了达到这个目的，我们需要开发大规模的芯片间通信技术。”这是一个巨大的挑战：芯片之间通信的标准编码是为精确协调数字信号而专门设计的，并不适合于神经形态系统产生的随机峰值模式。
2006年9月，博恩推出的“神经栅格”项目模拟了100万个神经元，尽管这只是人类大脑860亿个神经元中的很小一部分，但它足以模拟据认为构成人类大脑皮层计算单位的神经元连接。博恩说道，神经学家可以对“神经栅格”进行编程，用以模拟几乎任何皮质模型。然后，可以对与大脑相同速度运行的模型进行观察（比传统的数字仿真速度要快上成百上千倍），或用它来测试神经功能的理论模式，如工作记忆、决策和视觉注意力等处理过程。
“就效率以及对大脑神经网络的仿真度而言，‘神经栅格’遥遥领先于其他大规模的神经形态系统。”INI创始人之一、硅神经元的合作者罗德尼·道格拉斯（Rodney Douglas）是如此评价的。
然而，诚如博恩所说的那样，任何系统都不可能完美无缺。“神经栅格”最大的缺点是其突触连接过于简单，无法进行个别修改（每个神经元平均有大约5 000个神经突触连接）。这意味着该系统不能用于模拟学习，而大脑中的神经突触能够在实践过程中不断地进行自我修正。
另外，被挤压在芯片有限空间里的复杂电路要让每个突触像真正的大脑突触一样工作，就必须将电路元件压缩1 000倍的空间，这就属于纳米科技的范畴了。尽管新一代的纳米级记忆元件“忆阻器”在未来有可能解决这一问题，但目前还无法做到，包括一个源自于制造过程中不可避免的差异，也意味着每个神经形态芯片的运行都略有不同。因此，在为“神经栅格”编程时必须考虑硅神经元的激发率差异。
这些问题导致一些研究人员放弃了米德最初使用“亚阈值”硅芯片的想法，转向使用预测性更强、更易编程的传统数据系统。就模拟单个神经元电学性能来说，后者仍具有神经形态性，但代价是耗能更多。
一个重要的例子是，2005年由曼彻斯特大学史蒂夫·福尔伯（Steve Furber）领导开发的SpiNNaker系统，用的是一种低功率数字芯片（许多智能手机都采用这种芯片），目前可以模拟500万个神经元，这些神经元比“神经栅格”中的神经元更简单，但消耗功率更大。福尔伯说道，该系统要达到的目的，是“以生物学的实际速度运行大型的大脑模型”。
速度对于一些神经科学项目来说意义重大。另一项旨在提高运行速度的类神经元芯片开发项目BrainScaleS，由海德堡大学前加速器物理学家卡尔海涅兹·梅耶尔（Karlheinz Meier）领衔，从目前模拟的40万个神经元来看，其比真正的神经元快1万倍，消耗的能量也是大脑等效过程的1万倍。梅耶尔说道：“我们可以在10秒时间里模拟神经元一天的活动。”
作为欧洲人脑研究计划的一部分，福尔伯和梅耶尔目前正在向更高的目标冲刺：约1亿欧元的投入，福尔伯的系统可扩大到5亿神经元，梅耶尔的目标是向400万神经元迈进。
“花生酱”与“巧克力”
随着上述这些项目的进展，人们开始将神经形态学元件应用于一些实用的、超低功耗的设备，从手机到智能机器人等。自2008年以来，美国国防高级研究计划局（DARPA）在突触神经形态技术、紧凑型低功耗芯片技术开发上花费了1亿多美元。美国国际商用机器公司（IBM）阿尔马登研究中心的一个项目承包商，已经开发了数字型的256神经元芯片，以作为更大系统的构建模块。
目前，博恩正在开发他于2013年4月开始进行的一项尚未命名的研究项目，即基于计算机模拟的人工大脑Spaun，其中包括负责视觉、运动和决策的几个部分。Spaun用的是10年前由加拿大滑铁卢大学理论神经科学家克里斯·埃利亚密斯（Chris Eliasmith）开发的神经回路编程语言系统，用户只要指定所需的神经功能，该系统就会自动设计出实现该功能的神经元网络。
通过250万个模拟神经元加上一个模拟视网膜，Spaun可以复制手写的数字，记下某个表单上的细目，或给出给定顺序号码后的下一个号码，以及完成其他几种认知任务。博恩说道，以神经模拟的标准来看，Spaun已经显示了一系列前所未有的能力。但就模拟运行速度而言，Spaun似乎太慢，大脑是它的9 000倍。也就是说，模拟1秒钟的大脑行为Spaun需要花2.5小时。
为此，博恩联系了埃利亚密斯，提议利用实时神经形态元件构建一个实体版的Spaun。埃利亚密斯认为，这样的匹配再完美不过了，“你们有花生酱，我们正好有巧克力！”在美国海军研究办公室的资助下，博恩和埃利亚密斯组建了一个研究团队，计划在3年内建立一个小型系统，5年内建立一个与真实大脑一样规模的系统。
博恩说道：“这不是一种新型的‘神经栅格’，而是一个全新的构想。”从实用性上考虑，新的系统在一定程度上可能会牺牲一些真实感。依靠“非常简单而非常高效的神经元，我们就能够渐渐增加到数百万个神经元。”
博恩称道，在5年时间内，“我们将构建完全自主的、能够根据周围环境进行有意义的交互反应的机器人，它们的‘大脑’只需以手机电池那样的低耗电量来完成实时操作。”这样的设备将比如今的自动机器人更加灵活，并具适应性，耗电量也更低。
从长远来看，博恩认为，这一技术将为任何计算机系统中更紧凑更低功耗处理器的诞生铺平道路，而不仅仅只是应用于机器人。如果研究人员成功找到大脑高效紧凑的关键所在，未来的芯片产业将更进一步向微型化发展。
“我们无法确定未来会如何，除非我们努力去尝试。”博恩说道。
资料来源 Nature
责任编辑 则 鸣