美國類腦芯片發展歷程

　　摘要：美國為保持技術優勢，率先發起類腦計算芯片的相關研究工作，通過模仿人腦工作原理，使用神經元和突觸的方式替代傳統馮諾依曼架構體系，使芯片能夠進行異步、并行、低速和分布式處理信息數據，并具備自主感知、識別和學習的能力。

　　在當今大數據時代，由于現有計算機硬件和架構限制，已無法滿足更大規模數據的處理需求，世界各國開始著手尋找解決方案，并把目光轉向能夠以復雜方式處理大量信息的人腦神經系統，而且因為神經系統在時間和空間上實現了硬件資源的稀疏利用功耗極低，其能量效率是傳統計算機的100萬倍到10億倍。為此，近年來，美國將開發類腦計算芯片列入發展計劃。

　　1 內涵及特點

　　目前，傳統計算機芯片主要基于馮諾依曼架構，處理單元和存儲單元分開，通過數據傳輸總線相連。芯片總信息處理能力受總線容量的限制，構成所謂“馮諾依曼瓶頸”。而且傳統計算機的處理單元一直處于工作狀態，導致能耗巨大。同時，由于需要精確的預編程，傳統計算機無法應對編程以外的情況和數據。而大腦結構則完全不同：神經元(處理單元)和突觸(存儲單元)位于一體，不需要高能耗的總線連接，突觸是神經元之間的連接，具有可塑性，能夠隨所傳遞的神經元信號強弱和極性調整傳遞效率，并在信號消失后保持傳遞效率。突觸的這種性質，使大腦神經網絡結構動態可塑，能夠隨外部數據的變化而自適應調整;腦神經網絡包含1000億神經元和100萬億個神經突觸，它們相互連接組成一個龐大而復雜的神經網絡，使人腦信息處理能力超強，而神經元只在工作時消耗能量，大腦的功耗極低;可大規模并行處理多個信號;具備學習能力，在海量數據處理方面具有巨大優勢。

　　類腦計算芯片可模擬人類大腦信息處理方式，能以極低的功耗對信息進行異步、并行、低速和分布式處理，并具備自主感知、識別和學習等多種能力。同傳統計算芯片相比，類腦計算芯片將實現兩個突破：一是突破傳統“執行程序”計算范式的局限，有望形成“自主認知”的新范式;二是突破傳統計算機體系結構的局限，實現數據并行傳送、分布式處理，能夠以極低功耗實時處理海量數據。

　　2 發展現狀

　　2008年，在模仿大腦功能的關鍵器件——憶阻器研制成功后，美國DARPA啟動了總投資1.01億美元的“神經形態自適應可塑可擴展電子系統”(SyNAPSE)項目，旨在研制出具有百萬神經元級別的類腦計算芯片。

　　(1)第一代類腦芯片

　　2011年8月，IBM公司通過模擬大腦結構，首次研制出兩個具有感知認知能力的硅芯片原型，可以像大腦一樣具有學習和處理信息的能力。這兩顆類腦芯片原型均采用45納米絕緣體上硅CMOS工藝制作，包含256個神經元和256個軸突(數據傳輸通道)。其中一個芯片包含65356個學習突觸，它能夠發現新的神經元連接路徑，可通過經驗進行學習，并根據響應對神經元連接路徑進行重組;而另一個芯片包含262144個可編程突觸，可以根據預先設定，通過強化或弱化神經元之間的連接，更迅速、更高效地處理信息。類腦芯片的每個神經元都是交叉連接，具有大規模并行能力。IBM公司還成功演示了類腦芯片在導航、圖案辨認、關聯記憶和分類等領域的簡單應用，包括完成迷宮游戲和擋板游戲，并指出：該類芯片“腦容量”僅相當于蟲腦水平。

　　(2)第二代類腦芯片

　　2014年8月，IBM公司推出名為“真北”的第二代類腦芯片。它采用28納米硅工藝制作，包括54億個晶體管和4096個處理核，相當于100萬個可編程神經元，以及2.56億個可編程突觸。

　　“真北”的每個處理核包含了約120萬個晶體管，其中少量晶體管負責數據處理和調度，而大多數晶體管都用作數據存儲、以及與其它核心的通信方面。此外，每個核心都有自己的本地內存，它們還能通過一種特殊的通信模式與其它核心快速溝通，其工作方式非常類似于人腦神經元與突觸之間的協同，只不過，化學信號在這里變成了電流脈沖。IBM把這種結構稱為“神經突觸內核架構”。

　　與第一代類腦芯片相比，“真北”芯片性能大幅提升。其神經元數量由256個增加到100萬個，提高3906倍;可編程突觸數量由262144個增加到2.56億個，提高976倍;每秒可執行460億次突觸運算，總功耗僅為70毫瓦，每平方厘米功耗20毫瓦，是第一代類腦芯片的1/100;“真北”處理核體積僅為第一代類腦芯片的1/15。

　　3 應用前景

　　目前，IBM公司已經開發出一臺神經元計算機原型，它采用16顆“真北”芯片，具有實時視頻處理能力。

　　未來，如果研究進展順利，類腦芯片將成為自個人電腦誕生以來，整個計算機行業最大的一次變革。也許，未來計算機不僅只依靠計算速度和海量數據庫進行工作，它們還能真正進行“認知”與“思考”，這將改變計算機常規工作模式，探索更多領域。類腦計算芯片在國防領域應用中將發揮重要作用，并有望最先用于武器裝備。如滿足移動機器人、遠程傳感器、無人機、單兵裝備等的低能耗需求;通過不斷學習實現復雜環境中自動信息處理，推動高度自主性智能機器人發展。