美国类脑芯片发展历程

　　摘要：美国为保持技术优势，率先发起类脑计算芯片的相关研究工作，通过模仿人脑工作原理，使用神经元和突触的方式替代传统冯诺依曼架构体系，使芯片能够进行异步、并行、低速和分布式处理信息数据，并具备自主感知、识别和学习的能力。

　　在当今大数据时代，由于现有计算机硬件和架构限制，已无法满足更大规模数据的处理需求，世界各国开始着手寻找解决方案，并把目光转向能够以复杂方式处理大量信息的人脑神经系统，而且因为神经系统在时间和空间上实现了硬件资源的稀疏利用功耗极低，其能量效率是传统计算机的100万倍到10亿倍。为此，近年来，美国将开发类脑计算芯片列入发展计划。

　　1 内涵及特点

　　目前，传统计算机芯片主要基于冯诺依曼架构，处理单元和存储单元分开，通过数据传输总线相连。芯片总信息处理能力受总线容量的限制，构成所谓“冯诺依曼瓶颈”。而且传统计算机的处理单元一直处于工作状态，导致能耗巨大。同时，由于需要精确的预编程，传统计算机无法应对编程以外的情况和数据。而大脑结构则完全不同：神经元(处理单元)和突触(存储单元)位于一体，不需要高能耗的总线连接，突触是神经元之间的连接，具有可塑性，能够随所传递的神经元信号强弱和极性调整传递效率，并在信号消失后保持传递效率。突触的这种性质，使大脑神经网络结构动态可塑，能够随外部数据的变化而自适应调整;脑神经网络包含1000亿神经元和100万亿个神经突触，它们相互连接组成一个庞大而复杂的神经网络，使人脑信息处理能力超强，而神经元只在工作时消耗能量，大脑的功耗极低;可大规模并行处理多个信号;具备学习能力，在海量数据处理方面具有巨大优势。

　　类脑计算芯片可模拟人类大脑信息处理方式，能以极低的功耗对信息进行异步、并行、低速和分布式处理，并具备自主感知、识别和学习等多种能力。同传统计算芯片相比，类脑计算芯片将实现两个突破：一是突破传统“执行程序”计算范式的局限，有望形成“自主认知”的新范式;二是突破传统计算机体系结构的局限，实现数据并行传送、分布式处理，能够以极低功耗实时处理海量数据。

　　2 发展现状

　　2008年，在模仿大脑功能的关键器件——忆阻器研制成功后，美国DARPA启动了总投资1.01亿美元的“神经形态自适应可塑可扩展电子系统”(SyNAPSE)项目，旨在研制出具有百万神经元级别的类脑计算芯片。

　　(1)第一代类脑芯片

　　2011年8月，IBM公司通过模拟大脑结构，首次研制出两个具有感知认知能力的硅芯片原型，可以像大脑一样具有学习和处理信息的能力。这两颗类脑芯片原型均采用45纳米绝缘体上硅CMOS工艺制作，包含256个神经元和256个轴突(数据传输通道)。其中一个芯片包含65356个学习突触，它能够发现新的神经元连接路径，可通过经验进行学习，并根据响应对神经元连接路径进行重组;而另一个芯片包含262144个可编程突触，可以根据预先设定，通过强化或弱化神经元之间的连接，更迅速、更高效地处理信息。类脑芯片的每个神经元都是交叉连接，具有大规模并行能力。IBM公司还成功演示了类脑芯片在导航、图案辨认、关联记忆和分类等领域的简单应用，包括完成迷宫游戏和挡板游戏，并指出：该类芯片“脑容量”仅相当于虫脑水平。

　　(2)第二代类脑芯片

　　2014年8月，IBM公司推出名为“真北”的第二代类脑芯片。它采用28纳米硅工艺制作，包括54亿个晶体管和4096个处理核，相当于100万个可编程神经元，以及2.56亿个可编程突触。

　　“真北”的每个处理核包含了约120万个晶体管，其中少量晶体管负责数据处理和调度，而大多数晶体管都用作数据存储、以及与其它核心的通信方面。此外，每个核心都有自己的本地内存，它们还能通过一种特殊的通信模式与其它核心快速沟通，其工作方式非常类似于人脑神经元与突触之间的协同，只不过，化学信号在这里变成了电流脉冲。IBM把这种结构称为“神经突触内核架构”。

　　与第一代类脑芯片相比，“真北”芯片性能大幅提升。其神经元数量由256个增加到100万个，提高3906倍;可编程突触数量由262144个增加到2.56亿个，提高976倍;每秒可执行460亿次突触运算，总功耗仅为70毫瓦，每平方厘米功耗20毫瓦，是第一代类脑芯片的1/100;“真北”处理核体积仅为第一代类脑芯片的1/15。

　　3 应用前景

　　目前，IBM公司已经开发出一台神经元计算机原型，它采用16颗“真北”芯片，具有实时视频处理能力。

　　未来，如果研究进展顺利，类脑芯片将成为自个人电脑诞生以来，整个计算机行业最大的一次变革。也许，未来计算机不仅只依靠计算速度和海量数据库进行工作，它们还能真正进行“认知”与“思考”，这将改变计算机常规工作模式，探索更多领域。类脑计算芯片在国防领域应用中将发挥重要作用，并有望最先用于武器装备。如满足移动机器人、远程传感器、无人机、单兵装备等的低能耗需求;通过不断学习实现复杂环境中自动信息处理，推动高度自主性智能机器人发展。