再创造人类智慧是不可能的,而且我们甚至无法理解大脑如何工作。但是Dharmendra
Modha正在与技术巨头IBM以及各个大学和政府实验室的团队合作,尝试建造一个大脑。这位印度出生的计算机科学家,2006年在硅谷的IBM研究实验
室创建了Almaden认知计算研究所。而且从那时起他和他的团队就尝试使用计算机硬件和软件来创造生物智能,他们最初建造了一台能模拟老鼠大脑的机器,
然后是猫和猴子。

在美国圣何塞附近的研究室里,IBM用48块TrueNorth试验芯片构建了一个电子的啮齿动物大脑,每一块芯片都可以模拟大脑的一个基本构件。

选自TheScientist

澳门新葡萄京官网注册 1

最近连线杂志的记者在项目负责人Dharmendra
Modha的带领下,近距离接触了整个工程。雷锋网得知,它体积就像一个浴室的医药箱,遍体是半透明塑料板,能清晰的看到里面的芯片,电路板和它内部多彩的指示灯。它看起来就像一个七十年代科幻电影里的物体,不过Modha却表示:“你看到的是一个小型啮齿动物。”

作者:SANDEEP RAVINDRAN

IBM公司设计的神经突出计算机芯片可视化网络。

他是说一个小型啮齿动物的大脑,至少这堆芯片能顶的上那样的大脑。这些芯片充当了大脑的基本构件——神经元。Modha表示,这个系统可以模拟4800万个神经细胞,基本可以与小型啮齿动物大脑的神经细胞数齐平。

机器之心编译

Modha和他的团队最近声称,他们已经开发了一种新型的计算机程序语言,这种语言特别适用于建造模拟大脑理解世界的应用软件。他们也提出了取代导盲犬的头戴式耳机、漂浮在海上的太阳能装置等。唯一的问题在于我们无法在短期内看到这些应用的出现,即使是新的编程语言也仍然处于初期阶段。这个研究团队现在正在打造一种新型的芯片以及一种新的编程语言。他们正重新思考我们设计计算机的方式。

在IBM,Modha负责认知计算组,他们发明了“神经芯片”。他和他的团队第一次对外公布这一发明时,用它为位于硅谷的IBM研发实验室的学者和政府研究人员提供支持,进行了三周的试运行。在将自己的电脑连接到这一数字鼠脑之后,这些研究人员探索了它的结构,并开始为TrueNorth芯片编写程序。

参与:罗赛男、张倩

现在的计算机仍然依靠冯-诺依曼的体系结构,但是Modha和他的团队正设想一种完全不同的设计。他们的新芯片被称作“神经突触核心”,Modha说道:“这种微型的神经突触核心事实上是从冯-诺依曼的体系结构分离出来的,它将处理器、内存和通信整合到一起。你能够将多个芯片联合到一起,创造出更大的系统。IBM公司的新程序语言将为这种巨大的神经轴突核心阵列提供绘制软件的工具。借助这种新语言,程序员能够创造出一种执行特殊功能的完整软件模块。

上个月,有些研究人员已经在科罗拉多看到过这个家伙了,所以他们编写的程序已经可以让它识别照片和语音,并且可以理解一些自然语言。芯片负责运行“深度学习”算法,这一算法现下主宰了互联网的人工智能服务,它为Facebook提供面部识别服务,为微软的Skype提供语言实时翻译。不过,IBM在这方面还是有领先优势,因为它的研究可以减少对空间和电力供应的需求。这样未来我们就有可能将这一人工智能放进手机和其他的小型设备中,比如助听器和手表。

在用硅芯片模拟人类大脑的路上,科学家们已经做了一些尝试,但其速度和能耗都让人无法接受。因此,研究者提出用神经形态芯片代替传统芯片来完成这项艰巨的任务。神经形态芯片是受人脑启发创建的一种芯片,具有速度快、能耗低、可扩展能优点。本文详述了神经形态芯片的基本概念、优势、发展历程及现状。


Modha和他的IBM团队正在为未来的计算机技术打下基础的时候,其它人正通过不同的方式研究人工智能。多伦多大学教授Geoffrey
Hinton带来的团队正在创造一种新的算法,尝试以目前的计算机硬件重现大脑行为。但是IBM公司的团队研究更加超前,而且Modha声称,这种新的芯
片能够与Hinton团队的研究以及其它任何试图克隆大脑行为的算法系统进行合作。

“从神经突触结构里我们能得到什么?我们只需要很低的功耗就可以进行图片分类,还可以在新环境中不断解决新问题。”Brian
Van
Essen说道,他是劳伦斯·利弗莫尔国立实验室的计算机科学家,负责将深度学习算法运用到国家安全中去。

2012 年,计算机科学家 Dharmendra Modha
使用一台强大的超级计算机模拟了超过 5000 亿个神经元的活动,甚至比人脑中约
850 亿个神经元还要多。这是近十年工作的高潮,十年间,Modha
从模拟啮齿动物和猫的大脑发展到模拟人类规模的大脑。

(文/腾讯科技)    

TrueNorth芯片是最新的科技结晶,未来它将负责深度学习的运行和一系列其他的人工智能服务。而现下运行谷歌,Facebook和微软算法的机器,还需要加装独立的图形处理器,不过他们都在走向FPGA。Peter
Diehl认为,TrueNorth要比独立图形芯片和FPGA都要优秀,因为它功耗很低。

这一模拟消耗了大量的计算资源–150 万个处理器和
1.5PB的内存,计算速度却仍比人脑慢 1500 倍,令人难以忍受。Modha
估计,要使其达到人脑的实时运行速度,需要 12
千兆瓦的能量,大约是胡佛水坝最大输出能力的 6 倍。

密歇根大学计算机科学的教授Jason
Mars认为,其主要的不同就在于TrueNorth与深度学习算法的配合可以算得上是天衣无缝。两者都对神经网络进行了深度模拟,并在“大脑中”产生神经元和突触。“芯片可以高效执行神经网络的命令。”他并没有参加试运行,但却密切关注着这一芯片的进展。

「然而,这只是模拟大脑处理一幅卡通画所需的能量」,加州北部 IBM
阿尔马登研究中心类脑计算首席科学家 Modha
说。这一模拟根本无法复制人脑的功能,因为人脑使用的能量与一个 20
瓦的灯泡相当。

即便如此,现下TrueNorth还不能完全与深度学习算法同步。不过IBM已经决定让外部研究人员参与芯片的改进,因为它离真正上市还有一定的距离。对Modha来说,这也是一个必须经历的过程,就像他说的:“我们需要为重大的转变打好坚实的基础。”

自 21
世纪初以来,硬件的改进以及实验和理论神经系统科学的进步使研究人员能够创造出更大更详细的大脑模型。但是越复杂的模拟越容易受到传统计算机硬件的限制,正如
Modha 的耗能模型所展现的那样。

手机里的大脑

Modha 的人脑模拟实验在劳伦斯利弗莫尔实验室中完成,运行于搭载蓝色基因
BlueGene/ Q 系统的 Sequoia 超级计算机之上,Sequoia
是一个传统计算机硬件的超强集合体:它由大量传统计算机芯片、含数百万晶体管的指甲大小的硅晶片驱动。控制传统计算机芯片结构和功能的规则与我们人类的大脑完全不同。

Peter
Diehl最近来中国旅行,但因为一些你懂得的原因他的手机不能使用谷歌,一下子把人工智能打回了原形。因为现在的云计算多数还要靠谷歌的服务器来进行,所以没有了网络,一切都白瞎了。

但事实上,计算机完全不同于人类「思考」方式使得它们在进行数值计算等任务时具有优势。而在其它领域,如理解人类语言或从经验中学习,计算机明显落后于人类。如果科学家想要模拟出一个可以与人类智能相媲美的大脑,他们可能必须从更好的构件——由人脑启发的计算机芯片开始。

深度学习需要非常强大的处理能力,一般来说这个级别的处理能力是巨型数据中心才可以提供的,而我们的手机一般通过网络与其相连。而TrueNorth就不同了,它至少可以将部分处理能力搬到你的手机或其他设备上,这样就可以极大的扩展人工智能的使用频率。

所谓的神经形态芯片复制了大脑的结构——也就是说,它们使用类似于神经元动作电位的「神经元脉冲」相互交流。这种脉冲行为允许芯片消耗极少的能量,并且即使将之拼接成非常大规模的系统时,也能保持节能。

不过要理解这些,你首先要理解深度学习是如何工作的。它的运作分为两个阶段,首先谷歌和Facebook之类的公司需要培植自己的神经网络来处理特殊任务。如果他们想要自动识别猫咪照片的功能,就要先让神经网络看一堆猫咪的照片。然后,模式得到训练后,需要让另一个神经网络来执行这一任务。你拿出一张照片,系统就要判断里面是否有猫咪,而TrueNorth存在的目的就是为了提升第二步的效率。

「在我看来,最大的优势是可扩展性」,安大略省滑铁卢大学的理论神经科学家
Chris Eliasmith 说。在他的《如何构建大脑》(How to Build a
Brain)一书中,Eliasmith 描述了一个由他创建并命名为 Spaun
的功能性大脑的大规模模型。

一旦完成了对神经网络的训练,芯片就可以帮助你绕过巨型数据中心,直接完成第二步的操作。而且因为TrueNorth芯片体积和功耗都很小,它还能装载到手持设备上。这样整个效率就提高了,因为你不再需要通过网络从数据中心下载计算结果了。如果能得到普及,就可以极大地减轻数据中心的压力。“这是行业的未来,今后设备可以独立执行复杂的任务。”Mars说道。

当 Eliasmith 运行 Spaun 的初始版本时,它有 250
万个「神经元」,即使这个模型运行在最好的传统芯片上,运行速度也比生物神经元慢
20 倍。「每当我们增加几百万个神经元,它就会相应得再慢几十倍,」他说。

神经元,轴突,突触和神经冲动

但当 Eliasmith
在数字神经形态硬件上进行一些模拟时,他发现它们不仅速度快得多,而且能效高出
50 倍。甚至更好的是,随着 Eliasmith
模拟了更多的神经元,神经形态平台变得更有效。这是神经形态芯片旨在复制自然的方法之一,假定大脑模型从蠕虫大脑的
300 个神经元扩大到人脑的 850 亿个神经元,大脑的能量和效率会按比例增加。

谷歌最近就在努力让神经网络进军手机,但Diehl认为TrueNorth相比其他对手已经领先很多,毕竟它与深度学习更加的合拍。每块芯片都能模拟数以百万计的神经元,而且这些神经元可以通过“大脑中的突触”互相交流。

神经形态芯片在执行复杂计算任务时消耗极少的能量,这一能力已经引起了科技行业的关注。神经形态芯片的潜在商业应用包括节能超级计算机、低功率传感器和自学习机器人。但是生物学家想到一个不同的应用:构建一个功能完备的人类大脑复制品。

而这正是TrueNorth区别于市场上同类产品的独特之处,即使与图形处理器和FPGA相比也占有足够的优势。TrueNorth芯片可以可以形成“神经冲动”,与大脑中的电脉冲相似。神经冲动可以在某人的讲话中显示声调的改变,或图像中色彩的改变。“你可以把它当做神经元之间互相传递的小信息。”Rodrigo
Alvarez-Icaza说道,他是芯片的主设计师之一。

神经形态硬件借鉴了动物神经系统的架构,通过类似于生物神经元动作电位的脉冲转发信号。这一特性使得硬件消耗的能量更少,比在传统芯片上运行大脑模拟要快几个数量级。

虽然芯片上有54亿个晶体管,但其功耗只有区区70毫瓦特。而标准的英特尔处理器呢?它拥有12亿个晶体管,但其功耗却达到了35至140瓦特。即使是智能手机普遍使用的ARM芯片,其功耗也是TrueNorth芯片的数倍。

澳门新葡萄京官网注册 2

当然,想要这种芯片真正发挥功效还需要配套的新型软件,这也正是Diehl等研发人员在试运行期间一直努力做的。换句话说,研发人员是在将现有的代码转换成芯片可识别的语言并输入芯片,不过他们也在努力为TrueNorth编写原生的代码。

图片由友尼森欧洲有限责任公司提供; 海德堡大学;英特尔公司;IBM 研究院

赠礼

现今的许多神经形态系统,从 IBM
和英特尔开发的芯片到作为欧盟人脑计划一部分创建的两个芯片,都对能够远程访问系统来运行模拟的研究者开放。研究人员正在使用这些芯片来创建单个神经元和突触的详细模型,并译解如何将单元组合在一起来创建更大的大脑子系统。

和其他研发人员一样,Modha主要注重在生物学领域对TrueNorth进行讨论,如神经元,轴突,突触,神经冲动等。毫无疑问,该芯片在某些方面模拟了人类的神经系统,不过它依然有其局限性。“这类讨论经常会唤起人们的警醒,毕竟,硅可不是组成人脑的物质。”Chris
Nicholson说道,它是Skymind公司的联合创始人。

这些芯片允许神经科学家测试关于视觉、听觉和嗅觉在实际硬件上工作原理的理论,而不仅仅是在软件上。最新的神经形态系统也使研究人员能够开始复制人类思考和学习方式这一更具挑战性的任务。

Modha也承认这些说法。当他在2008年开启这一项目时,从Darpa得到了5350万美元的投资,其目标是用完全不同的材料打造全新芯片并对人脑进行模拟。但他清楚这一目标不可能很快实现,“在追求梦想的路上也不能忽略现实”,他说道。

现在还为时尚早,真正开发出神经形态芯片的潜力需要理论、实验和计算神经科学家以及计算机科学家和工程师的共同努力。但是最终的目标是宏伟的——那就是弄清楚大脑的各个组成部分是如何共同创造思想、感觉甚至意识的。

2010年,他因猪流感卧床不起,这段时间里他意识到突破瓶颈的最好方式就是从芯片结构下手,实现对大脑的模拟。“你不需要让神经细胞模拟基础物理学,化学和生物学来提升计算能力,我们要在维持足够灵活性的同时变得与大脑越来越相似。”他说道。

英特尔神经形态计算实验室主任、计算机工程师 Mike Davies
表示:「对大脑进行逆向工程是我们能够承担的最雄心勃勃的技术难题之一。」

这就是TrueNorth芯片。他不是数字化的大脑,但是它在这条道路上迈出了重要的一步,而且通过IBM的试运行,这一计划也步入了正规。整个机器其实是48台没的机器组成的,每一个都有自己的TrueNorth处理器。下周,随着试运行的结束,Modha和他的团队将会分解这一机器,让研究人员带回家进行进一步的研究。人类利用科技改变社会,而这些研究者正是我们的中坚力量。

一切都离不开架构

加州理工学院科学家 Carver Mead 于 20 世纪 80
年代创造了「神经形态」(neuromorphic)一词,此前他注意到,与构成现代计算机芯片的数字晶体管不同,模拟晶体管更接近于神经元的生物物理学特性。

具体来说,模拟电路中非常微小的电流——小到电路实际上处于”关闭”状态——表现出的动力学类似于通过生物神经元通道但不会导致动作电位的离子流。

被 Mead 和他同事们的工作所吸引,20 世纪 90 年代中期,Giacomo Indiveri
决定在加州理工学院进行他的博士后研究。现在,作为瑞士苏黎世大学的神经形态工程师,Indiveri
管理着为数不多的几个继续使用 Mead
方法(即使用低电流模拟电路)的研究团队之一。

Indiveri
和他的团队手工设计芯片的布局,这一过程可能需要几个月的时间。「这是用笔和纸完成的工作,因为我们试图提出优雅的解决方案以实现神经动力学,」他说。「如果你做的是模拟电路,那么它在很大程度上仍然是一门艺术。」

一旦完成了布局,他们就会把设计通过电子邮件发给一家代工厂——与生产智能手机和电脑芯片具有相同精度的金属铸造厂。最终的芯片看起来大致就像一个智能手机芯片,但它的功能就像是通过几个节点传播电子脉冲的「神经元」网络。在这些模拟神经形态芯片中,信号通过不同强度的实际电压脉冲来转发。就像在大脑中,信息是通过不同神经元脉冲时序来传递的一样。

「如果你向神经生理学家展示其中一个神经元的输出,他将无法告诉你这是来自硅神经元还是来自生物神经元,」Indiveri
说。

这些硅神经元代表了一种复制人类神经系统的不完美尝试。生物神经元是模拟-数字混合系统;它们的动作电位模仿数字硬件的离散脉冲,但它们也是模拟的,因为神经元中的电压电平影响被传输的信息。

模拟神经形态芯片具有与生物神经元的物理行为非常相似的硅神经元,但它们的模拟特性也使得传输的信号不那么精确。虽然我们的大脑已经进化出弥补其不精确部分的能力,但研究人员已经将这一基本概念带入了数字领域。

IBM
和英特尔等公司专注于数字神经形态芯片,其硅神经元复制具有不同物理特性的信息在生物神经元中的流动方式,其原因与传统数字芯片统领我们绝大多数计算机和电子产品的原因相同——它们具有更高的可靠性并且易于制造。

澳门新葡萄京官网注册 3

照片由友尼森欧洲有限责任公司提供

澳门新葡萄京官网注册 4

构建模块:每个 SpiNNaker
芯片与内存封装在一起,然后拼接成更大的设备,如右上角的 48
节点板。多个板可以连接在一起,形成更大的 SpiNNaker 系统

但是这些数字芯片按照捕获到的大脑的架构来维持它们的神经形态状态。在这些数字神经形态芯片中,脉冲以信息包的形式出现,而不是实际的电压脉冲变化。英特尔的
Davies 表示:「这与我们通常在计算机上设计的任何东西都大不相同。」

无论脉冲采用何种形式,该系统只在输入达到某个阈值时传递信息,允许神经形态芯片每次少量而不是大量消耗能量。这类似于大脑神经元在它们准备好时而不是在定时器的命令下进行通信的方式。另一方面,传统芯片大多是线性的,数据穿梭于存储数据的内存硬件和由严格内部时钟控制进行数据计算的处理器之间。

当 Modha 设计 IBM 的神经形态芯片 TrueNorth
时,他首先分析了大脑的长距离接线图,这些图描绘了猕猴和人类大脑不同区域之间的连接情况。「它真正开始告诉我们有关长距离连通性、短距离连通性,以及神经元和突触动态的信息,」他说。

到 2011 年,Modha 发明了一种含有 256
个硅神经元的芯片,其规模与线虫的大脑相同。利用最新的芯片制造技术,Modha
将神经元封装得更紧,以缩小芯片尺寸,并将 4096
个这样的芯片拼接在一起,才有了 2014 年 TrueNorth 的发布。TrueNorth 包含
100
万个合成神经元——相当于一个蜜蜂大脑的规模——消耗的能量比传统芯片少几百倍

神经形态学芯片(如
TrueNorth)在其人造神经元之间具有非常高的连通性,类似于在哺乳动物的大脑中看到的那样。大规模并行处理的人脑的
850 亿个神经元通过大约 1 千万亿个突触高度互联。

TrueNorth 要简单得多——它包含 2.56 亿个「突触」,连接着 100
万个神经元——但是通过将多个 TrueNorth 芯片拼接在一起,Modha
创造了两个更大的系统: 一个模拟了 1600 万个神经元和 40
亿个突触,另一个模拟了 6400 万个神经元和 160 亿个突触。目前,超过 200
名来自不同机构的研究人员可以免费使用 TrueNorth。

除了高度互联性和脉冲特性,神经形态芯片还复制了生物神经系统的另一个特征:
传统的计算机芯片将处理器和内存分散在不同的位置,但神经形态芯片往往有许多微型处理器,每个微型处理器都有少量的局部存储器。

这种结构类似于人脑的组织,神经元同时进行数据存储和处理。研究人员认为,这种神经形态架构要素可以使得这些芯片建立的模型更好地复制人类的学习和记忆。

学习能力是英特尔 Loihi 芯片的一个焦点,该芯片于 2017 年 9
月首次发布,并于去年 1 月与研究人员共享。

为了模拟大约 13 万个神经元和 1.3 亿个突触,Loihi
引入了脉冲时间相关的突触可塑性模型
,这是一种通过突触前和突触后脉冲相对时间在大脑中调节突触强度的机制。

如果一个神经元在第二个神经元之前触发,那么它与第二个神经元的连接就会增强,而如果触发顺序颠倒,连接强度就会减弱。这些突触强度的变化被认为在人类大脑的学习和记忆中起着重要作用。

负责 Loihi 开发的 Davies
表示,研究人员的目的是捕获人类大脑擅长而当前人工智能模型不擅长的快速终身学习过程。像
TrueNorth 一样,Loihi 是分布式的,供不同研究人员使用。

随着越来越多的研究团队使用这些芯片来模拟大脑,Davies
说,「希望一些更广泛的原理能够更清楚地解释我们在大脑中看到的一些惊人能力。」

神经系统科学中的神经形态学

对于所有潜在的科学应用而言,TrueNorth 和 Loihi
并不是专门为神经科学家构建的。他们主要是研究芯片,旨在测试和优化神经形态结构,以提高其能力和易用性,以及探索各种潜在的商业应用,从语音和手势识别到节能机器人以及可为智能手机和自动驾驶汽车提供动力的设备上机器学习模型。

另一方面,欧盟的人类大脑计划(Human Brain
Project)已经开发了两个神经形态硬件系统,其明确目标是理解大脑。

BrainScaleS 于 2016
年推出,它将许多芯片组合在大型硅晶片上,更像是超薄飞盘而不是指甲。每个晶片包含
384 个模拟芯片,它们运行起来相当于增强版的 Indiveri
的模拟芯片,是为提高速度而不是降低功耗而优化的。每个晶片上总共模拟了大约
200,000 个神经元和 49,000,000 个突触。

作为欧盟人类大脑计划的一部分,BrainScaleS 和神经形态系统 SpiNNaker
都受益于这一计划,这一计划背后有着许多理论、实验、计算神经科学家组成的大型社区。与这个社区的互动引导着新功能的增加,这可能对科学家有所帮助,并允许从两个系统中得到的新发现快速反馈回该领域。

英国曼彻斯特大学的计算机工程师 Steve Furber 在 20 年前构想出了
SpiNNaker,他已经设计了超过 10 年。在 SpiNNaker
小型数字基础芯片上艰难探索 6 年之后,Furber 说,他和他的同事们在 2011
年实现了所有功能。

自那以后,研究小组一直在将这些芯片组装成规模更大的机器,以 2018
年末开启的拥有百万处理器的机器告终。Furber 预计 SpiNNaker
应该能够实时模拟老鼠大脑中的 1
亿个神经元——而传统超级计算机做到这一点速度要慢 1 千倍左右。

目前,欧盟人脑计划系统免费向学术研究实验室开放。神经科学家开始在
SpiNNaker
硬件上运行他们自己的程序,以模拟大脑特定子系统的高级处理过程,如小脑、皮质或基底神经节。

例如,研究人员正在试图模拟一个小的重复结构单元——皮质微柱,该微柱位于大脑外层,负责大多数高级功能。「微柱很小,但是它仍然有
8 万个神经元和 2.5 亿个突触,所以建模这个微柱并不是一项小工程,」Furber
说。

接下来,他补充到,「与仅从个体大脑区域着手相反,我们开始想从系统级创建」,逐渐接近为人类智力提供动力的含
850 亿个神经元的人脑的全尺寸模型。

模拟大脑

使用神经形态硬件对大脑进行建模可以揭示神经元计算的基本原理,达特茅斯学院的计算神经科学家
Richard Granger
说。神经科学家可以非常详细地测量神经元的生物物理和化学特性,但是很难知道这些特性中的哪些对大脑的计算能力真的重要。虽然神经形态芯片中使用的材料与人脑的细胞物质完全不同,但使用这种新硬件的模型可以揭示大脑传递和评估信息的计算原理。

在硅中复制简单的神经电路帮助 Indiveri
发现了大脑设计的潜在效益。他曾经给一个博士生一个神经形态芯片,该芯片能够模拟脉冲频率适应,这种机制使人类习惯于恒定的刺激。

由于在芯片上压缩了空间,学生决定不实现这个功能。然而,当努力降低芯片的带宽和功率要求时,他最终得到了一些看起来与他移除的脉冲频率适应相同的东西。

Indiver
和他的同事们还发现,长距离发送模拟信号的最佳方式不是将它们表示为连续可变的流,而是像神经元一样,将它们表示为一系列脉冲信号。「如果你想最小化能量和带宽,神经元所使用的技术被证明是传输信号的最佳技术,」Indiveri
说。

神经形态硬件也可以让研究人员测试他们关于大脑功能的理论。康奈尔大学的计算神经科学家
Thomas Cleland 建立了嗅球模型来阐明支撑我们嗅觉的原理。使用 Loihi
芯片使他能够建立足够快的硬件模型以模拟生物。

当从化学传感器(我们的气味感受器的人工版本)给定数据,系统在只接触到一个样本后就学会了识别气味,超过了传统的机器学习方法,并且更接近人类的优秀嗅觉。

「通过成功地映射类似的东西,并在神经形态芯片上显示它的工作情况,是你确实理解了这个系统的很好的证明」,Davies
说。

Cleland
的嗅觉模型并不总是像预期的那样有效,但那些「失败」的实验同样具有启发性。传感器接收到的气味输入有时与模型预测的结果不同,可能是因为气味比预期的更复杂或更具噪声,或者是因为温度或湿度干扰了传感器。

「输入信息有点不靠谱,我们知道这并不能骗过我们的鼻子,」他说。研究人员发现,通过注意以前忽略的气味输入中的「噪声」,嗅觉系统模型可以正确地检测到更广泛的输入。研究结果使
Cleland
更新了他的嗅觉模型,研究人员现在可以观察生物系统,看看它们是否使用这种以前未知的技术来识别复杂或含有噪声的气味。

Cleland
希望扩大他的模型规模,这个模型运行在生物实时环境中,分析来自成百甚至上千个传感器的气味数据,这些数据可能需要几天时间才能在非神经形态硬件上运行。「只要我们能把算法放到神经形态芯片上,那么后者的可扩展性就非常好」,他说。「对我来说,最令人兴奋的事情是能够运行这
16000 个传感器的数据集,看看当我们扩大模型规模时,算法会有多好。」

SpiNNaker、 TrueNorth 和 Loihi
都能以与生物相同的速度对神经元和大脑进行模拟,这意味着研究人员可以使用这些芯片识别刺激——如图像、手势或声音——当它们出现时,立即处理和回应它们。

除了允许 Cleland
的人造鼻子处理气味之外,这些能力还可以使机器人在消耗很少能源的情况下实时感知并对环境做出反应。对大多数传统计算机而言,这是一个巨大的进步。

对于某些应用,例如可能需要数周、数月甚至数年才能完成的建模学习过程,这有助于提高速度。这就是
BrainScaleS 的用武之地,它的运转速度比生物大脑快 1000-10000
倍。而且这个系统只会越来越先进。随着与神经科学家们密切合作开发新的处理器,它正在被升级为
BrainScaleS2。

这个新系统将能够更好地模拟学习和建模化学过程,比如多巴胺对学习的影响,这是其他神经形态系统无法复制的。研究人员说,它还能够建模各种神经元、树突和离子通道,以及结构可塑性的特征,如突触的损失和增长。

也许有一天,这个系统甚至能够接近人类的学习和智力。海德堡大学的生物物理学家
Johannes Schemmel 说:「我认为,理解生物智能是本世纪最大的问题。」

当前的人工智能系统在灵活性和学习能力方面仍然落后于大脑。Furber
说:「谷歌的神经网络在看过一千万张猫的图片之后才擅长识别出猫,但是如果你给我两岁的孙子只看一张猫的图片,他就能一辈子都认得猫了。」

随着今年晚些时候 Loihi 计划的推出,Eliasmith 希望能够为他的 Spaun
模型增加更高层次的认知和学习行为。他说他特别兴奋的是尝试准确建模人类如何快速且容易地学习一项认知任务,比如一个新的棋盘游戏。像
AlphaGo
这样着名的人工智能游戏玩家必须建模数以百万计的围棋棋局才能学会如何下好。

目前还不清楚复制人类智能是否仅仅是建立更大更详细的大脑模型的问题。「我们不知道我们理解大脑的方式是否存在某种根本性的缺陷,」Eliasmith
说。「我们不知道我们能走多远,直到我们有更好的硬件能够实时运行这些具有数以亿计的神经元的模型」他说,「我认为神经形态学能帮助我们达到这个目标。」

参考文献

  1. C. Eliasmith et al.,「A large-scale model of the functioning
    brain,」Science, 338:1202–05, 2012.

  2. D.S. Modha, R. Singh,「Network architecture of the long-distance
    pathways in the macaque brain,」PNAS, 107:13485–90, 2010.

  3. P.A. Merolla et al.「A million spiking-neuron integrated circuit with
    a scalable communication network and interface,」Science, 345:668–73,
    2014.

  4. M. Davies et al.「Loihi: A neuromorphic manycore processor with
    on-chip learning,」IEEE Micro, 38:82–99, 2018.

  5. J. Schemmel et al.,「A wafer-scale neuromorphic hardware system for
    large-scale neural modeling,」Proc 2010 IEEE Int Symp Circ Sys, 2010.

  6. S.B. Furber et al.,「The SpiNNaker Project,」Proc IEEE, 102:652–65,
    2014.

本文为机器之心编译,转载请联系本公众号获得授权。