人們喜歡變著花樣來形容大腦。以前，大腦被時髦地比作17世紀貴族花園中賞心悅目的噴泉背后的水力供應系統(tǒng)。隨著技術的發(fā)展，大腦先后被形容為電報通信網和電話交換系統(tǒng)。現在則是輪到用計算機來形容大腦。雖然“計算機般的大腦”還只是個比喻，但是有一群科學家試圖將這個比喻顛倒過來。他們希望與其將大腦看作計算機，還不如讓計算機表現得更像大腦。他們相信，人們最終不僅能對大腦的工作機制有更深的了解，還能構造出更好的計算機。

這些有遠見的人自稱為神經擬態(tài)學工程師。根據他們中的一名領軍人物 —— 德國海德堡大學的物理學家卡爾海因茨·邁耶（Karlheinz Meier）所述，他們的目標是設計一臺計算機，能夠具備大腦所具有的三大特性中的一部分（或最好是全部）。這三大特性是：低能耗（人腦的功率大約是20瓦特，而當前試圖模擬人腦的超級計算機需要幾百萬瓦特），容錯性（失去一個晶體管就能破壞一個微處理器，但大腦時刻都在失去神經元），以及無須編程（大腦在與外界交互的過程中自發(fā)地學習和改變，而非遵循預設算法所限制的路徑和分支）。

然而為了實現這些目標，神經擬態(tài)學工程師不得不先實現計算機對大腦的模擬。而且由于沒人知道大腦實際上到底是如何工作的，他們只能自己來解決這個問題。這意味著他們要填補神經系統(tǒng)科學家對這一器官認知的空白。具體來說，這意味著要構造人工大腦細胞并且用各種方式將它們連接起來，以此來模擬大腦的工作。

回到模擬機

當前神經系統(tǒng)科學家對大腦的認知空缺主要在中等尺度腦解剖。單個神經細胞（即神經元）的工作模式大體上已被掌握，大腦中每個可見的腦葉和神經節(jié)的作用也已探明，但是腦葉和神經節(jié)中的神經元如何組織依舊是個謎。然而正是神經元的組織方式決定了大腦的思考方式 —— 同時也很可能是意識的存在方式。這正是為什么繪制大腦圖譜以及了解大腦成為奧巴馬在2013年4月高調宣布的美國人腦計劃（BRAIN initiative）的一大目標的原因。要想了解大腦圖譜顯示的是什么，唯一的方法可能就是在計算機中對其進行建模。模型甚至可能會先出現，并且反過來指導大腦圖譜的繪制。換句話說，神經擬態(tài)工程學可能比神經科學更早發(fā)現思考的基本原理。

兩個最前沿的神經擬態(tài)計算項目正由人類大腦研究計劃（Human Brain Project，HBP）主導下進行，這個計劃是由歐洲科研機構聯合發(fā)起的一個野心勃勃的嘗試，試圖在2023年構建一個大腦的擬象。這些項目開發(fā)的計算機走的是完全不同的路線。曼徹斯特大學的史蒂夫·弗伯（Steven Furber）制造的SpiNNaker便是其中之一。SpiNNaker是一臺數字計算機，也就是平時最常見的那種，通過一系列代表電壓有無的1和0來處理信息。由此可見，其核心是一個定制的微處理器網絡。

另一部機器叫做Spikey，由邁耶博士的團隊制造。Spikey讓人回想起更早期的計算機。第一批計算機中有好幾部是模擬計算機。這些模擬計算機用持續(xù)變化的電壓范圍中的點來表示數字 —— 因此無論是0.5伏、1伏還是1.5伏，各自的含義都不相同。Spikey的工作方式某種程度上與之類似。雖然由于數字系統(tǒng)沒有歧義，不易出錯，導致模擬計算機敗給了數字計算機，但是邁耶博士認為，因為模擬計算機的工作方式與真實神經系統(tǒng)的某些特性更為相近，所以它們是對這些特性進行建模的更好的方法。

弗伯博士和他的團隊自2006年就投入到SpiNNaker的研究工作中。2011年，他們?yōu)榱蓑炞C自己的想法，構建了一個僅有18個處理器的版本。他們正準備制造一臺更大的機器，比之前的要大得多。并預計在2014年，他們就能制造出擁有百萬處理器的計算機。弗伯博士認為，借助這么多芯片，他能夠對人腦的1%進行建模 —— 關鍵是他的模型能夠在實時條件下工作。當前，即使用那些超級計算機來模擬大腦的更小部分，其運行速度也遠比不上真實大腦。弗伯博士并非止步于此，他希望到2020年開發(fā)出性能是百萬處理器計算機10倍的SpiNNaker版本。

SpiNNaker達到這樣的速度要靠實現邁耶博士的第三個期望 —— 無須編程。大多數現代計算機的工作方式是在中央時鐘的控制下來回搬運數目相對較少的幾個大數據塊。與之不同的是，SpiNNaker的處理器只在適當的時候才發(fā)出大量微小的信息“脈沖”。這和神經元的工作方式十分類似（這是特意如此設計的），信號以被稱為“動作電位（action potentials）”的電子脈沖（electrical spikes）的形式通過神經元，這些動作電位除了表明自己發(fā)生過之外，幾乎不攜帶額外的信息。

這種異步信號（之所以這樣稱呼是因其沒有用于同步的中央時鐘）由于沒有等待時間，處理信息的速度比同步信號快得多。它的能耗也更低，因此滿足了邁耶博士的第一個期望。如果某個處理器失效了，系統(tǒng)會在其周圍重新規(guī)劃路線，由此滿足了他的第二個期望。大多數計算機工程師不采用異步信號是由于其難以編程，然而作為模擬大腦的一個方案來說，異步信號幾乎是完美的。

但是（在用于模擬大腦時）這種思路可能不如模擬技術。雖然邁耶博士還未完全放棄數字路線，但是他在使用中已經有所差別。他用數字組件來模擬通過突觸（神經元間的連接）的信息傳播。在真實的神經元里這些信息以被稱為“神經遞質”的化學物質作為載體，傳播時只有“有”或“無”的區(qū)別。換句話說，它們是數字的。

神經遞質的釋放會導致一個對動作電位到來的響應。當神經元接收到其中一個神經遞質信號后，便不再繼續(xù)發(fā)射動作電位，而是建立一個閾值。只有當它們接收到一定數量的信號，直至超過閾值之后（這基本上是一個模擬過程）它們才能再發(fā)射一個動作電位，并重置自身。Spikey機器中的人造神經元的功能正是如此，每當其被激勵時，就在電容中累積電荷，直到電荷量達到閾值后電容放電。

實際進展如何？

蘇黎世神經信息研究所（由蘇黎世大學和同城的工程院校蘇黎世聯邦理工學院共同運營）的神經擬態(tài)學工程師吉亞科莫·印第維里（Giacomo Indiveri）走的同樣是模擬路線。印第維里博士的工作獨立于人類大腦工程，他有一個不同的、更為實際的目標。他正在嘗試利用神經擬態(tài)學的原理構建所謂的“自主認知系統(tǒng)”—— 比如植入式耳蝸，它可以分辨佩戴者是在音樂廳、汽車內或是在海灘，并能相應地調整輸出。他自己額外定了一個約束條件：要求這些系統(tǒng)要與所替代的天然神經部件具有相同的重量、體積和能耗，同時盡量使其功能接近自然。

這種追求自然的方法有一部分是利用了系統(tǒng)中的晶體管經常工作在技術上被稱為“亞閾值區(qū)（sub-threshold domain）”的狀態(tài)中。這種狀態(tài)下的晶體管雖然是關閉的（也就是說電流不能通過，因此代表二進制中的0），但仍然會流失一部分微小的漏電流（幾微微安），因為電子能通過晶體管擴散出去。

早在20世紀80年代，被公認為神經擬態(tài)計算之父（同時也是“neuromorphic”這個詞的發(fā)明者）的加州理工學院工程師卡弗·米德（Carver Mead）證明，晶體管在亞閾值區(qū)的行為與細胞膜上的離子通道蛋白十分相似。離子通道的作用是在細胞內外傳遞鈉、鉀離子，其主要任務之一就是產生動作電位。因此，利用亞閾值區(qū)狀態(tài)下的晶體管是模擬動作電位很好的方法，并且功耗很低 —— 這是與真實的生物系統(tǒng)相仿的另一個方面。

印第維里博士的設備的運行速度也與生物電路的相同（幾十或幾百赫茲，而非計算機處理器千兆赫茲這樣的超級速度）。這使他們的設備能與真實的生物電路（例如植入式耳蝸中耳內的生物電路）進行交互，從而能有效地處理像人們說話或者打手勢這樣的自然信號。

印第維里博士當前正在利用晶體管亞閾值區(qū)的原理開發(fā)包含數百個人造神經元和數千個神經元間的突觸的神經擬態(tài)學芯片。雖然這聽起來與弗伯博士要做的百萬處理器系統(tǒng)差距甚遠，但是它不需要一整間屋子來容納它 —— 如果你的目標是一個可用的“人造器官”的話，這點就顯得尤為重要。

神經擬態(tài)計算研究由歐洲人而非美國人占據著主導地位，這對于一個信息技術領域來說，實屬罕見。但是這個狀態(tài)能維持多久是個問題，因為大西洋彼岸的研究者們正在奮力追趕。特別是與人類大腦研究計劃中神經擬態(tài)學這部分的規(guī)模相當的，由美國國防部高級研究計劃署出資的自適應可塑可伸縮電子神經擬態(tài)系統(tǒng)（Systems of Neuromorphic Adaptive Plastic Scalable Electronics，SyNAPSE），也正在研制兩臺神經擬態(tài)學計算機。

美國隊登場

其中一臺機器由位于加州馬里布的HRL實驗室設計，該實驗室由波音公司和通用汽車共同擁有。該項目的帶頭人納拉揚·斯里尼瓦桑（Narayan Srinivasa）表示，他的神經擬態(tài)學芯片一行代碼都不需要寫就能工作，它可以像真的大腦那樣邊干邊學。

真正的大腦有一個被稱為“小世界網絡”的重要特性。大腦中的每個神經元都有上萬個突觸與其他神經元相連。“小世界網絡”特性意味著，即使人腦包含860億個神經元，在千千萬萬條可能的路徑中，每個神經元只須經過兩到三次連接就能抵達其他任意一個神經元。

在真正的大腦和眾多對人工大腦的嘗試（包括斯里尼瓦桑博士的芯片）中，記憶的形成都牽涉到加強部分突觸的連接，而削弱其他連接。正是這一點使得網絡無須依賴傳統(tǒng)的計算機程序就能處理信息。而構建這種人造小世界網絡的一大障礙在于如何在包含大量神經元的系統(tǒng)中連接所有的神經元。

許多神經擬態(tài)學芯片通過所謂的縱橫制交換架構（cross-bar architecture）來完成這個任務。一個縱橫交換網絡由密集的連線網格組成，每個節(jié)點在外圍都連接著一個神經元，而突觸位于網格線的交叉連接處。這在小規(guī)模電路中工作良好，但是隨著神經元數量的增加，這種結構逐漸不再適用。

斯里尼瓦桑博士采用 “突觸時分復用”來解決這個問題，其中每個物理突觸充當著1萬個虛擬突觸的角色，每個虛擬突觸輪流占用100納秒的時間。這樣一個系統(tǒng)需要一個中央時鐘來協(xié)調一切，而且這個時鐘要運行得足夠快。大腦基本工作在10赫茲到100赫茲之間，而斯里尼瓦桑博士的芯片運行速度高達一兆赫茲。但這允許芯片中的576個人造神經元每一個都能以與同等規(guī)模真實網絡中神經元相同的速度和其他人造神經元進行交流。

這種規(guī)模的天然神經網絡的確存在。秀麗隱桿線蟲是一種小型線蟲，因其發(fā)育途徑完全規(guī)范而成為地球上被研究得最徹底的動物之一。除了生殖細胞外，每個秀麗隱桿線蟲個體有959個細胞（如果是雌雄同體）或1031個細胞（雄性，秀麗隱桿線蟲沒有純雌性）。雌雄同體的個體中有302個細胞是神經元細胞，雄性個體中有381個。這種動物大約有5000個突觸。

即便如此簡單，也依然沒有一臺神經擬態(tài)學計算機能夠模擬秀麗隱桿線蟲的神經系統(tǒng)。誰要是能構建一臺這樣的計算機，他就能在神經擬態(tài)學工程師的行列中由新手晉級為大師。斯里尼瓦桑博士希望他的芯片中有一塊能成為這樣的傳世之作。

與此同時，更為實際的是，他和他的團隊正與美國航空環(huán)境公司展開合作。這家公司制造的微型無人機能夠完成像在建筑物內飛來飛去排查故障這樣的任務。他的團隊設計的芯片中有一個能充當這種無人機的大腦，學著執(zhí)行諸如識別無人機曾經去過哪個房間，以及房間里的東西是否有變化這樣的任務。更高版本的芯片甚至可以獲取控制權，自主駕駛無人機。

SyNAPSE的另一個項目由位于圣何塞的IBM阿爾馬登實驗室的德爾門德拉·莫德哈（Dharmendra Modha）負責。通過與四所美國大學（哥倫比亞大學、康奈爾大學、加州大學美熹德分校以及威斯康星大學麥迪遜分校）合作，他和他的團隊構建了一個擁有256個“整合放電（integrate-and-fire）”神經元的神經擬態(tài)計算機原型。LIF模型的得名是由于它們累加（整合）輸入直至達到閾值，然后發(fā)射信號并重置自己。從這點看，這些神經元與Spikey中的神經元很像，不過二者的電子細節(jié)有所不同，因為前者用于記錄輸入信號的是數字存儲器而不是電容。

莫德哈博士的芯片擁有26.2萬個突觸，更重要的是其中的神經元可以像真正的大腦那樣，根據接收到的輸入重新布線。而且，這些神經元也能像真正的大腦一樣記住它們近期的行為（它們觸發(fā)了哪些突觸），并在重新布線的過程中利用這些信息削弱一些連接，增強另一些連接。

迄今為止，莫德哈博士和他的團隊已經教會他們的電腦玩一款叫做“乒乓（Pong）”的最早的（也是最簡單的）街機游戲，還能識別從0到9的數字。在數字識別的程序中，當某個人在觸摸屏上隨手寫個數字，神經擬態(tài)學芯片就能從筆跡中提取關鍵特征，并用這些特征來猜測寫的是哪個數字（結果通常是正確的）。

雖然這看起來還相當初級，但它僅僅是為了證明原理的可行性。他們的下一步計劃就是將其規(guī)模擴大。

已經被探明大腦的中層結構是模塊化的。包含絕大多數神經元的新皮質占據著大腦體積的3/4，其本身由許多柱狀體組成，每一個都包含大約7萬個神經元。莫德哈博士計劃制造某種與之類似的東西。他打算將他的芯片視為皮質柱，并將這些芯片連接起來構成一臺計算機，使之至少在這點上很像大腦。他正在接近這個目標。實際上，他已經仿真了一個包含100萬億個突觸的系統(tǒng) —— 真實大腦中神經元的數目大約在同一數量級。

在此之后

當然，神經擬態(tài)計算將朝什么方向發(fā)展依然未知。雖然此刻它還十分原始，但是一旦成功，它就能夠構造出和人一樣聰明 —— 甚至比人更聰明 —— 的機器。科幻小說或許因此成為科學事實。

此外，對于習慣了將大腦看做科學尚未破解的黑盒的旁觀者來說，事物的發(fā)展可能比預想的要快得多。大把資金開始投入到這個領域。人類大腦研究計劃10年間的預算為10億歐元（13億美元），而美國人腦計劃第一年的預算也有1億美元，神經擬態(tài)計算會從這兩個計劃受益。假如規(guī)模是唯一瓶頸的話，那么答案將會很快揭曉，因為這真的只是一個將足夠多的皮質柱形的硅的等價物連接起來，再看看其如何削弱和增強系統(tǒng)內部連接的問題。

人們常常覺得他們的大腦比其他生物更復雜 —— 事實也確實如此。但是已知的是，人腦與猿腦或猴腦的主要不同之處在于人腦更大。因此，問題可能真的只在于連接足夠多的適當的部件，再讓它們自行去解決問題。人工智能領域的創(chuàng)造者之一馬文·明斯基（Marvin Minsky）曾預言過，如果這樣真的可行，機器將會把人類當作寵物。

【編者按】本文譯自The Economist, “Neuromorphic computing—the machine of a new soul”, 2013.8一文。譯者邢東，浙江大學碩士研究生，主要研究方向為機器學習、模式識別；潘綱，CCF高級會員，浙江大學教授，主要研究方向為普適計算、計算機視覺、智能系統(tǒng)等。未經允許不得轉載或修改。

雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。