神经形态计算是计算机科学和人工智能领域最引人入胜的进展之一。它可以改变机器学习、处理信息和与世界互动的方式。
近年来，人们对更高效、更智能的人工智能(AI)系统的需求与日俱增。与我们习惯的遵循冯·诺依曼架构模型的传统系统不同，神经形态计算模仿神经元的结构和过程，提出了一种旨在解决计算的一些基本限制(如高能耗和任务处理缓慢)的方法。它本质上是一种受人类大脑生物功能启发的计算架构，通过这种架构，神经元和突触可以有效地协同工作以处理信息和数据。因此，神经形态计算试图模仿大脑的效率，我们知道大脑可以以最小的能量密度同时处理数十亿个认知操作。通过遵循神经形态方法，可以开发能够以高效和可扩展的方式模拟这些神经网络的专用硬件，从而带来人工智能应用和先进机器人技术的革命。
神经形态计算的结构
神经元是神经系统中通过信号传递信息的细胞类型，对于大脑内部以及大脑与身体其他部位之间的通信至关重要。神经元之间的通信需要电信号和化学信号。这种过程发生在突触之间，突触会释放出化学信号(称为神经递质)，影响附近神经元的活动。从技术上讲，神经元由几个部分组成：树突从细胞体(也称为胞体)分支出来，计算就发生在细胞体中(图1)。轴突是神经元的长通信通道。树突的功能是接收来自其他神经元的信息(图2)。一些树突有称为棘的小突起，这对于与其他神经元的通信非常重要。
图1：典型神经元的图像。(来源：Henley, C.，20215)
图2：神经元之间突触连接的描述。(来源：Henley, C.，20215)
神经形态计算的核心在于在集成电路中重现人工神经元和突触的概念。人工神经元的工作原理与生物神经元类似，只有当脉冲或尖峰达到某个激活阈值时才会发送信号。这种技术被称为基于尖峰的计算，与传统系统无论所需工作量如何都持续处理信息的方式相比，它可以大幅降低能耗。另一方面，人工突触可以模拟神经元之间的连接，并根据学习改变其权重，从而复制对人脑至关重要的突触可塑性过程。
降低能耗是神经形态计算的主要优势之一。神经形态计算旨在创建能够执行复杂学习过程的器件，而无需大量计算或能源资源。这使其成为移动和便携式应用的理想选择，因为在这些应用中，能效是关键。此外，它也是大规模人工智能的理想选择，因为在这些应用中，处理效率是降低成本和环境影响的必要条件。
神经形态架构还通过克服冯·诺依曼瓶颈(即处理器和内存之间的分离限制了系统的速度和效率)而与传统计算系统区分开来。在神经形态计算中，信息处理和存储就像在人脑中一样同时进行，从而可以实时处理大量数据，同时显著降低延迟。事实上，大脑的特点是并行架构，它使用大量的神经元和突触。神经形态计算芯片通常使用数百万个神经元和突触，将大量内核互连起来，每个内核都能模拟大量的神经元和突触。神经形态电路可以采用离散事件计算方法，在接收到特定信号时进行处理，这种方式类似于人脑中神经元通过电脉冲相互通信的过程。神经形态计算的其他特征包括实时操作、可扩展设计、计算效率、低功率密度和容错性。
从冯·诺依曼架构到神经形态芯片
冯·诺依曼架构的特点是几个关键组件以协调的方式协同工作，包括CPU、内存、I/O单元、系统总线、控制单元等(图3)。它是一种经典的计算架构，是半个多世纪以来主导计算机科学领域的大多数现代计算机设计的基本模型。这种架构模型的特点是处理单元和负责存储数据和指令的内存之间有明显的分离。处理器从内存中读取指令，解码，检索必须操作的数据，并执行指令。
传统架构的主要局限性在于其顺序性，即指令必须按顺序依次执行，这可能会导致一些问题，尤其是在需要并行处理的应用中，如神经网络和人工智能。顺序行为使其难以管理复杂和高度交互的操作，而这正是现代机器学习和深度学习应用所必需的。
尽管几十年来冯·诺依曼架构一直可以扩展，但我们仍面临着瓶颈，例如延迟和功耗过高。CPU经常需要等待从内存中获取数据，因为内存的速度比CPU本身慢。此外，还存在能效问题，而可扩展性已达到难以克服的极限。从基于冯·诺依曼的系统过渡到神经形态系统需要完全重新设计软件和算法。为了克服所有这些限制，神经形态计算现在被认为是一种有效的替代方案。
利用并行处理和量子计算的新架构的开发使我们能够克服其中的一些问题。与此同时，计算机市场也开始提供更快的接口，用于在CPU和内存之间交换信息。神经形态计算方面的研究也在不断发展，以开发基于生物学原理和大脑机制的复杂计算系统。与基于冯·诺依曼架构的系统不同，神经形态芯片模拟人脑，试图模仿生物神经网络的结构和功能。
图3：冯·诺依曼架构示意图。(来源：维基百科6)
神经形态芯片旨在以并行和分布式方式处理数据，从而能够更高效、更快速地处理大量信息，并遵循非线性数据表示方式，即同时而非按顺序处理信息。
传统架构系统和神经形态芯片之间的另一个本质区别在于管理信息的方式。传统处理器遵循确定性和线性逻辑，而神经形态芯片则采用概率性和自适应逻辑。这意味着这些芯片可以学习和适应新信息，而无需完全重新设计。
神经形态芯片可以有效地管理不同的工作负载，为处理不同的AI应用提供所需的灵活性。然而，在应用层面，神经形态计算超越了简单的机器学习和深度学习。事实上，这些芯片还可以用于便携式设备、机器人系统和物联网传感器网络，在这些应用中，能源效率和实时处理数据的能力对于项目的成功至关重要。
在功能层面，神经形态芯片由内存计算架构组成，其中没有中央存储器和中央处理单元，但存储和计算电路是分布式的，因此我们有许多小存储器和计算单元(图4)。
图4：内存处理架构。(来源：Mythic7)
高通Zeroth芯片旨在模拟人类智能
高通是领先的移动设备半导体制造商，在神经形态技术开发方面投入了大量资金。高通试图通过Zeroth项目将神经形态计算功能集成到移动设备中，目的是将人工智能直接引入智能手机和边缘设备。Zeroth系统基于一种神经形态架构，能够像人脑一样不断进行学习、适应和改进。
该系统的主要优势是能够直接在设备上执行高级人工智能操作，而无需外部云进行数据处理，从而显著降低了延迟，使智能手机、无人机和物联网设备能够自主运行并适应周围环境。搭载Zeroth的设备可以实时学习识别图像或语音，并通过本地学习不断提高其准确性。
高通已将Zeroth项目集成到其骁龙处理器生态系统中，该系统已在全球数百万台移动设备中使用。集成后，智能手机可以直接实现面部识别、自然语言分析和物体识别等高级功能，而无需额外的处理能力或高电池消耗。
Zeroth的潜力与未来的人机界面尤其相关，在这种界面中，设备必须能够理解人机交互并做出智能响应。
利用BrainChip的Akida实现机器人和汽车的高级AI
BrainChip公司是神经形态计算领域的另一先驱，其旗舰产品Akida芯片专为机器人、自动驾驶汽车和智能视频监控等实时AI应用而设计。Akida基于一种模拟生物大脑功能的脉冲神经网络技术，使芯片具有极高的能效，适用于边缘系统。
Akida的一个显著特点是它支持增量学习。这意味着一旦在系统中实施，它就可以提高其性能，而无需完全重新训练。这对于自动驾驶等应用来说是一个巨大的优势，因为在自动驾驶中，车辆必须能够不断适应新的情况和环境。
BrainChip已与汽车和国防领域的多家公司合作，将Akida集成到自动驾驶汽车控制系统中。该芯片已在各种应用中成功测试，包括先进的视觉系统和雷达传感器，在处理速度和低功耗方面表现出色。
此外，Akida能够实时处理数据，因此特别适用于需要在动态环境中做出快速可靠决策的机器人。
神经形态计算的前景和未来应用
从冯·诺依曼架构到神经形态芯片的转变标志着现代计算系统设计的根本性演变。虽然传统架构提供了基础，但神经形态计算芯片通过模仿人脑的动态，实现了高效的并行处理，提供了新的计算视角。这种转变解决了冯·诺依曼架构的固有局限性，为新应用和更先进、适应性更强的人工智能时代铺平了道路。
神经形态计算的潜力巨大，可能会彻底改变人工智能、机器人、汽车和医疗保健等领域。未来的应用包括可以实时监测和诊断医疗状况的智能医疗设备、与人类更自然互动的家用机器人以及具有高度响应控制系统的自动驾驶汽车。高通和BrainChip等公司正在用现实案例证明，这项技术不再只是一个理论概念，而是一个快速发展的现实，其应用已经彻底改变了各个工业领域。
神经形态系统设计者的战略目标之一是将这种新架构集成到传统工作流程中。尽管已有多家公司取得了初步成功，但大规模采用还需要更成熟、更强大的硬件和软件基础设施。
创新的神经形态方法还可以彻底改变人工智能系统的开发方式，降低能源需求并提高处理速度。该领域的持续研究可能会催生出新一代设备，它们能以前所未有的效率执行复杂的认知任务，从而重新定义学习的概念。
参考文献
1Caballar, R., & Stryker, C. (June 27, 2024). “What is neuromorphic computing?” IBM.
2Ottati, F. (March 27, 2023). “TrueNorth: A Deep Dive Into IBM’s Neuromorphic Chip Design.” Open Neuromorphic.
3Kumar, S. (Oct. 9, 2013). “Introducing Qualcomm Zeroth Processors: Brain-Inspired Computing.” Qualcomm.
4BrainChip Inc. “Akida, 2nd Generation: From Perception to Cognition.”
5Henley, C. (2021). “Foundations of Neuroscience.” Pressbooks.
6Wikipedia. (Oct. 21, 2024.) “von Neumann architecture.”
7Mythic. “Compute-in-Memory.”
（原文刊登于EE Times姊妹网站Embedded，参考链接：Neuromorphic Computing: The New Frontier of Computer Science Inspired by the Human Brain，由Franklin Zhao编译。）
本文为《电子工程专辑》2025年4月刊杂志文章，版权所有，禁止转载。免费杂志订阅申请点击这里。
您可能感兴趣
