现有技术已使类脑技术成为可能，只要我们愿意花钱
作者：佐治亚理工学院教授Jennifer Hasler
若朴 李林 编译自 IEEE
量子位 出品 | 公众号 QbitAI
脑启发计算（brain-inspired computing）不是什么新鲜事。
例如深度学习等人工神经网络算法，只是有一点点类似人类大脑的运作方式，但已经能让电脑可以出色地完成翻译、在海量数据中寻找微妙的模式以及打败人类最好的围棋选手等等多种不可思议的任务。
然而不管工程师后续如何努力，在现有道路上数字计算的能效正在逼近极限。人类的数据中心和超级计算机功耗已达兆瓦，消耗了美国2%的电能。
相比之下，人类大脑的功耗只有20瓦，每天只吃一点食物就能维持能量供给。显而易见，如果想继续推动电脑进步，最好继续模仿人脑。
所谓神经形态（neuromorphic）技术，就是要让计算摆脱简单的神经网络，转而运行在更像大脑神经元和突触的电路之中。
这种物理类脑电路发展已久，过去三十五年来，全球各地的实验室已经建造出各种像突触和树突一样的人工神经元部件，并能真实的响应和产生电信号。
那么，用这些部件构造一个大脑级别的计算机如何？
2013年，我和我当时在佐治亚理工的研究生Bo Marr一起，研究了当时最好的工程和神经科学知识，并且得出结论：应该可以使用晶体管技术，制造出硅基版本的人类大脑皮质（也就是大脑的表层）。
而且，这种机器占地不到一立方米，功耗不到100瓦，已经与人脑相差没有那么远。
但真要建造这样一台电脑并不容易。我们设想的这个系统需要几十亿美元进行设计和建造，包括一些关键的封装创新以保持紧凑。
还有一个问题，怎么对这台电脑进行编程和训练。神经形态研究人员仍然在努力研究如何让成千上万的人工神经元一起工作，以及如何把类脑活动转变为有效的工程应用。
尽管仍有种种困难，这仍带来新的曙光：可用于移动和穿戴设备的更小芯片，已经距离我们不远。这类设备对功耗敏感，因此高能效的神经形态芯片，一定会带来革命性的变化，即便这种芯片只能分担一部分计算任务。
届时，例如语音识别等功能，在嘈杂环境中也将可以一展身手；也许未来的智能手机，可以在通话时进行实时的语言翻译。
自从第一个信号处理集成电路诞生40年以来，摩尔定律让能效提高了大约1000倍。而最为类脑的神经形态芯片可以继续推动这种进步，有可能将功耗水平再降1亿倍。这意味着，一个数据中心只有巴掌大小。
终极类脑机器将会拥有和大脑一样的基本功能部件：突触，用于连接神经元以及接收、响应信号；树突，基于输入信号组合和执行本地计算；神经元胞体，集成来自树突的输入并将其输出到轴突上。
上述基础部件已经都有了简单的硅基版本。这就是金属-氧化物半导体场效应管，简称MOSFET。这一元件已被用于在现代数字处理器中，制造了数十亿逻辑电路。
这些装置与神经元有很多共同点。神经元的运作使用电压控制屏障，其电与化学活性主要取决于离子在细胞内部和外部之间移动的通道，这是一个平滑的模拟过程，包括稳定的积累或下降，而不是简单的开关操作。
MOSFET也受电压控制，并通过单个电荷的运动进行操作。当MOSFET工作在“亚阈值”模式时，也就是低于控制数字开关的电压时，流过器件的电流非常小，不到典型数字逻辑门开关中的千分之一。
亚阈值晶体管物理学可以用来构建类脑电路的概念，最初来自加州理工学院的Carver Mead，他在1970年代助推了超大规模电路设计领域的革命。Mead当时指出芯片设计者只把晶体管用于数字逻辑，忽视了很多有趣的现象。
一个更多“基于物理”的电脑可以比数字版本带来更好的计算功耗，Mead预计，这种电脑会显著占用更少的空间。
最近几年，神经形态工程师已经使用硅制造出构建大脑的基本模块，而且有很高的生物保真度。神经元的树突、轴突和胞体都可以由标准晶体管和其他电路元件制成。
2005年，我和在读博士生Ethan Farquhar使用一组六个MOSFET和一些电容，创建了一个神经元电路。我们模型产生的电脉冲，非常接近鱿鱼神经元胞体，而且我们的电路实现了与鱿鱼大脑类似的电流水平和功耗。
如果使用神经科学家为描述这一行为开发的模拟电路进行方程建模，所需要的晶体管数量将增加10倍。用数字电脑执行这些计算需要更多的空间。
模拟突触有点棘手。实现突触功能的设备，必须能够记住它处于什么状态，以特定方式对输入信号进行响应，并随时间调整响应。
建立突触有不少可用的方法。迄今为止最成熟的是单晶体管学习突触（STLS），这是加州理工1990年代的研究成果，当时我是Mead的研究生。
STLS在1994年发布，并成为工程师建造现代模拟电路（例如物理神经网络）的重要工具。在神经网络中，每个节点具有与其关联的权重，这些权重决定了如何组合来自不同节点的数据。
STLS是第一个可以持有各种不同权重，而且能在运行时重新编程的设备，而且不使用时也能记住自身状态，这显著降低了所需的能量。
