神经形态计算与人工智能：神经形态计算芯片和人工智能硬件

什么是神经形态计算？

我们基于硬件的计算机和处理器无法处理与人脑相同类型的处理负荷。许多程序员、硬件制造商和数据中心的目标就是要改变这一状况。神经形态计算领域致力于将生物学、电气工程、计算机科学和数学技术结合起来，创建感知和处理负荷与人脑及神经系统容量相似的人工神经系统。

神经形态工程：它是如何开始的

“神经形态工程”一词最初是由 Carver Mead（卡弗·米德）在 20 世纪 80 年代提出的，他花了 40 多年时间开发旨在模拟人体感官和处理机制的分析系统，如触觉、视觉、听觉和思维。神经形态计算是神经形态工程的一个子集，主要关注这些类人系统的“思考”和“处理”方面。虽然许多人从未听说过神经形态计算技术，但利用这些系统和理论的更广义的技术被广泛称为人工智能 (AI)。

人工智能的目标是什么？

虽然有数百种解释、子集和理论来定义人工智能到底是什么，但所有人工智能的目标都是为了再现人类行为、思维和一般任务的功能。自然，人工智能和神经形态计算在许多方面都是同义词，因为它们都试图复制甚至超越人类智能。从某种意义上说，人工智能包含了神经形态计算和神经形态工程，同时还包含了其他各种技术层面。其中包括高精度任务，如检测制造过程中的不一致性。

在当前的技术状态下，神经形态计算和人工智能受到这些系统所依赖的硬件能力的限制。虽然摩尔定律不断推动这些硬件技术的发展，但从计算负荷的角度来看，它们远没有接近人脑的能力，更不用说从能效的角度来看了。虽然这些计算系统远未达到人类的水平，但它们在过去十年中已经取得了巨大的进步，毫无疑问将继续支持神经形态计算世界的目标。

人工智能硬件：神经形态计算芯片

一个可以完全模拟人脑的完美神经形态芯片，可能会被认为是一个永远无法实现的独角兽。然而，由于人类和机器之间的计算支架是截然不同的（即硅不是灰质），大脑及其基本生物学可以为从事神经形态技术的计算机科学家提供许多经验教训。许多芯片架构，无论是从软件还是硬件的角度来看，都受到神经形态计算研究结果的深刻影响，从而产生许多旨在实现神经元级计算能力的新版本硅架构。更广泛利用的芯片技术，如 FPGA 和 ASIC ，已经通过神经形态计算策略不断优化，甚至已经用于人工智能工作负载。

图形处理单元 (GPU) 最初设计用于处理图形计算负载，但鉴于其并行负载能力，很快就被用于开发人工智能算法，而不是使用更广泛采用的 CPU 技术。GPU 的功能越来越强大，经常被用作专门的神经网络加速器来处理人工智能工作负载。NVIDIA 被广泛认为是开发最先进的 GPU 技术的领跑者，已开发了专门的边缘计算设备，如 NVIDIA Jetson Xavier Developer Kit，为自主机器人和人脸识别安全系统等设备运行人工智能工作负载。

人工智能软件中的数学在执行人工智能程序中发挥着举足轻重的作用。这些流程经常使用的一个数学对象叫做张量。张量就好比一个多维矩阵，它可以将人工智能程序作为函数进行缩放和改变。在不扩展到人工智能程序和算法结构背后的理论的情况下，了解张量数学对现代人工智能至关重要，甚至重要到 Google 创建了自己的张量处理单元 (TPU)，这是一个专门为处理张量数学负载而设计的芯片。虽然其 TPU 技术主要用于其数据中心，但 Google 也创建了 Google Coral 产品，以开发张量密集型程序。

Intel Labs 已经开发出 Loihi 芯片。这种特别设计的神经形态研究芯片旨在模拟和仿真小规模的灰质神经结构。Loihi 芯片包含近 13 万个互联的硅“神经元”，并试图成为下一代人工智能硬件的基础。在一个例子中，Intel Labs 打造了一款名为 Pohoiki Beach 的设备，组合了 64 个 Loihi 芯片，创造了一个拥有 800 万神经元的网络。开发一个这样的神经网络程序在这一设备上运行是不小的成就，且 Intel Labs 仍在不断优化程序的运行。2020 年，Intel 计划将多达 10 万个 Loihi 芯片组合在一起，形成一个拥有 1 亿神经元的神经形态计算机，一旦准备就绪，这很可能是目前最强大的计算机。

神经形态计算的未来

虽然神经形态计算仍然是计算机科学的一个处于萌芽状态的子集，但它的潜力还没有完全发挥出来。神经形态计算至少有望成为开发未来型计算硬件和革命性人工智能软件的强大方法。如果事实证明这项技术像一些人所声称的那样成功，那么神经形态计算可能掌握着意识的秘密，并可能是人类创造的最后一项发明。这项技术反而可能会影响人类大脑的研究，允许对我们大脑中这些改造了整个世界的柔软灰质进行更精确的模拟和建模。它可能会创造出更智能、更具常识性的算法，比人类更有效地执行日常任务。神经形态计算可能就是自动驾驶汽车和自动机器的答案，但这个答案只有未来知道。