類腦計算是生命科學，特別是腦科學與信息技術的高度交叉和融合，其技術內涵包括對於大腦信息處理原理的深入理解，在此基礎上開發新型的處理器、算法和系統集成架構，並將其運用於新一代人工智慧、大數據處理、人機互動等廣泛的領域。類腦計算機即是模擬大腦神經網路運行、具備超大規模脈衝實時通信的新型計算機模型。
基本介紹
- 中文名：類腦計算機
- 外文名：Brain like computer
- 所屬學科：計算機科學
定義,介紹,特點,對比,技術路線,發展歷史,研究機構,套用,
定義
類腦計算是生命科學，特別是腦科學與信息技術的高度交叉和融合，其技術內涵包括對於大腦信息處理原理的深入理解，在此基礎上開發新型的處理器、算法和系統集成架構，並將其運用於新一代人工智慧、大數據處理、人機互動等廣泛的領域。
一般地說，類腦計算是指借鑑大腦中進行信息處理的基本規律，在硬體實現與軟體算法等多個層面，對於現有的計算體系與系統做出本質的變革，從而實現在計算能耗、計算能力與計算效率等諸多方面的大幅改進。大腦神經網路在不同的層級水平上具有不同的信息處理與邏輯分析能力，但它們卻是協同統一的整體，彼此之間緊密聯繫。類腦計算機正是這樣一款模擬大腦神經網路運行、具備超大規模脈衝實時通信的新型計算機模型。類腦計算機通過模擬生物大腦神經網路的高效能、低功耗、實時性等特點，藉助大規模的CPU 集群來進行神經網路實現。
介紹
眾所周知，哺乳動物特別是人類的神經系統，是自然界中最高效、最健壯的結構之一。人類大腦擁有大量的連線，表現出強大的並行性。它具有約10個神經元和10個突觸，耗能卻僅約20W。神經元以幾毫秒的速度實現生物互聯，對組件級的故障具有優異的容錯機制。對於計算機科學家來說，神經系統和數字系統之間具有巨大的相似性。細胞體、樹突、軸突、神經末梢以及突觸等結構共同構成了一個神經元模型。具體來說，神經元的核心部位是一個含核的細胞體，其半徑為2~60 微米；細胞體表面有長短不一的兩類細胞突起，分別是長條的軸突（只有一根）和短條的樹突（通常為多根）；一個神經元間的興奮傳遞經由軸突、神經末梢最終抵達突觸（神經元間相連的部位）。各種功能的神經元構成了一個完整的神經系統，它能對信息進行有效的接收、整合和傳遞，這被認為是神經系統學習和適應等過程的核心環節。雖然大腦神經網路在不同的層級水平上具有不同的信息處理與邏輯分析能力，但它們卻是協同統一的整體，彼此之間緊密聯繫。
類腦計算機正是這樣一款模擬大腦神經網路運行、具備超大規模脈衝實時通信的新型計算機模型。類腦計算機通過模擬生物大腦神經網路的高效能、低功耗、實時性等特點，藉助大規模的CPU 集群來進行神經網路實現。在CPU集群中，每條執行緒將映射模擬對應的神經元，成千上萬的執行緒（神經元）有序運行構成完整的大規模神經網路。由於超大規模的神經元網路需要實現彼此通信的神經元數據巨大，傳輸的數據包眾多，而且還有大量的物理線路需要部署，故而超大規模類腦計算機需要解決諸如數據實時組播、板間互聯和脈衝通信等關鍵技術問題。
特點
理想類腦計算平台的主要特點分為網路構建、本身特性和性能優勢三個方面。通過構建類似大腦的神經元運算元、網路計算模型、信息編碼理論、突觸學習規則等，設計與之對應的大規模積體電路平台，建立與之匹配的網路拓撲結構映射與通信路由方法，從而產生類似大腦的層級處理、時空關聯、大規模分布並行與存儲處理一體化等關鍵特性，並獲得高速實時、高能效、自適應調節以及功能的通用性與多樣化等諸多優勢。
對比
當前計算機技術正面臨兩個重要的瓶頸：“馮·諾依曼”架構導致的存儲牆效應造成能效低下，以及引領半導體發展的摩爾定律預計在未來數年內失效。一方面，傳統處理器架構需將高維信息的處理過程轉換成純時間維度的一維處理過程，其效率低、能耗高；在處理非結構化信息時無法構造合適的算法，尤其在實時處理智慧型問題時難以滿足需求。此外，信息處理過程在物理分離的中央處理器和存儲器內完成，程式和數據依次從存儲器讀入中央處理器進行處理，而後再送回存儲器中，該過程造成大量的能耗損失。程式或數據往復傳輸的速率與中央處理器處理信息的速率不匹配導致嚴重的存儲牆效應。另一方面，隨著業界進入的亞10 納米技術節點，器件越來越逼近各自物理微縮的極限，量子效應越來越干擾器件的正常工作。雖然對於摩爾定律的具體終結時間人們有不同的估算，但工業界對於持續50年摩爾定律的終結本身並無爭議。
顯而易見，對腦神經科學展開深入研究，並研發相應的類腦計算技術便尤為迫切。歐盟、美國、英國、韓國、日本等國家/地區都已深度開展腦科學或神經科學等相關領域的研究，2016 年更是被譽為類腦計算機研究的元年。類腦計算機與傳統計算機所依託的理論和技術均有所不同，下面從體系結構、基礎軟體、套用軟體、典型套用、智慧型目標等方面來進行簡要比對。
經典計算機 | 類腦計算機 | |
器件 | 電晶體 | 神經形態器件（神經元、突觸） |
體系結構 基礎軟體 | 馮·諾依曼 作業系統資料庫 | 大腦神經網路結構 結構配置、系統動力學行為管理 |
套用軟體 典型套用 | 數據結構+人工算法 計算邏輯、精確信息處理 | 大數據+訓練學習 視聽感知、自主學習、智慧型互動 |
實現智慧型 | 人工智慧（認知科學） | 類腦智慧型（神經科學） |
技術路線
類腦計算技術路線總體上可分為三個層次：結構層次模仿腦，器件層次逼近腦，智慧型層次超越腦。近十年來，國內外在這三個層次已經取得不少階段性成果。
所謂“結構層次模仿腦”，是將大腦作為一個物質和生理對象進行解析，獲得基本單元（各類神經元和神經突觸等）的功能及其連線關係（網路結構）。這一階段，主要通過神經科學實驗採用先進的分析探測技術完成。
1952年，英國科學家霍奇金和赫胥黎提出了以兩人命名的HH方程，精確刻畫了單個神經元放電的非線性動力學過程，這是神經元信息處理的標準數學模型。近年來，國內的相關探測手段也快速進步。例如北京大學生物動態光學成像中心主任、哈佛大學終身教授謝曉亮領銜的生物動態光學成像中心，可以通過單分子光譜觀察細胞內部的動態生理過程。2014年，華中科技大學駱清銘教授牽頭的“單細胞解析度的全腦顯微光學切片斷層成像技術與儀器”榮獲國家技術發明二等獎，在神經細胞尺度上實現了腦皮層的結構解析。國際上，2014年6月，美國國立衛生研究院發布美國腦計畫12年規劃，重點支持新的大腦解析探測技術，目標是繪製出堪比“人類基因圖譜”的“人類大腦動態圖譜”。相關進展表明，對人類大腦結構的解析有望在十年內獲得重大突破。
所謂“器件層次逼近人腦”，是指研製能夠模擬神經元和神經突觸功能的微納光電器件，從而在有限的物理空間和功耗條件下構造出人腦規模的神經網路系統。這方面的代表性項目是美國國防部先進研究項目局（DARPA）2008年啟動的“神經形態自適應可塑性可擴展電子系統”（即突觸），其目標是研製出器件功能、規模與密度均與人類大腦皮層相當的電子裝置，功耗為一千瓦（人腦為20瓦），IBM和多所大學獲得一億多美元資助。2014年8月7日，IBM在《科學》上發表文章，宣布研製成功TrueNorth神經形態晶片，內含一百萬個神經元和2.56億個突觸，這項成果入選“2014年十大科學突破”。德國海德堡大學在神經形態晶片研製方面已有十多年積累，今年3月，他們在一個8英寸矽片上集成了20萬神經元和5000萬突觸，採用這種“神經形態處理器”的計算機已經成功運行，其神經元採用模擬電路實現，功能比IBM方案更接近生物神經元。
類腦計算研究的目標是製造出類腦計算機，其硬體主體是大規模神經形態晶片，這種晶片主要包括神經元陣列和突觸陣列兩大部分，前者通過後者互聯，一種典型連線結構是縱橫交叉，使得一個神經元和上千乃至上萬其他神經元連線，而且這種連線還可以是軟體定義和調整的。類腦計算機基礎軟體除管理神經形態硬體外，主要實現各種神經網路到底層硬體器件陣列的映射，這裡的“軟體神經網路”可以復用生物大腦的局部甚至整體，也可以是經過最佳化、乃至全新設計的神經網路。
所謂“智慧型層次超越腦”，屬於類腦計算機套用軟體層次的問題，是指通過對類腦計算機進行信息刺激、訓練和學習，使其產生與人腦類似的智慧型甚至湧現出自主意識，實現智慧型培育和進化。刺激源可以是虛擬環境，也可以是來自現實環境的各種信息（例如網際網路大數據）和信號（例如遍布全球的攝像頭和各種物聯網感測器），還可以是機器人“身體”在自然環境中探索和互動。在這個過程中，類腦計算機能夠調整神經網路的突觸連線關係及連線強度，實現學習、記憶、識別、會話、推理以及更高級的智慧型。
發展歷史
1)1989年，加州理工CarverMead撰文提出了“類腦工程”的概念，並撰寫了一本書，題目為“模擬VLSI與神經系統”(analogVLSIandneuralsys-tems)，採用亞閾值模擬電路來仿真SNN，其套用是仿真視網膜。
2)1990年—2003年，摩爾定律持續發展，基於馮諾依曼架構的處理器主頻與能持續增長，而類腦計算則10餘年沉寂。
3)2004年左右，單核處理器主頻停止增長，設計者開始轉向多核，同時學術界開始尋求非馮·諾依曼架構的替代技術。類腦計算經過10多年的小眾研究，開始引起廣泛關注。
4)2004年，史丹福大學教授KwabenaBoahen(CarverMead的學生)研製出基於模擬電路的類腦晶片Neurogrid。
5)2005年，英國Manchester大學基於ARM開始研製支持脈衝神經網路的多核超級計算機SpiN-Naker。
6)2005年，歐盟啟動FACETS(fastanalogcom-putingwithemergenttransientstates)項目，由海德堡大學牽頭研製基於模擬混合信號(AMS)的神經形態晶片。
7)2005年，美國國防研究局DARPA啟動SyN-APSE(systemsofneuromorphicadaptiveplasticscala-bleelectronics)項目，支持IBM與多家合作單位聯合研發類腦晶片。
8)2005年，瑞士洛桑聯邦理工學院(EPFL)研究者HenryMarkram與IBM合作啟動了“藍腦計畫”(bluebrainproject) ，在IBMBlueGene/L超級計算機上開展儘可能逼近生物真實的大規模仿生神經網路模擬。
9)2008年，惠普公司實現憶阻器(memristor)原型，能夠模擬神經突觸功能，並展示了首個憶阻器與矽材料的混合電路。全球人造突觸熱潮興起。
10)2011年，歐盟啟動BrainScaleS(brain-in-spiredmultiscalecomputationinneuromorphichybridsystems)項目，作為FACETS延續項目，研發大規模並行類腦計算機。
11)2012年，藍腦項目所模擬的最大神經網路包括100萬個神經元與10億個突觸，其規模相當於蜜蜂的大腦，仿真速度比實時慢約300倍。
12)2013年，歐盟啟動人腦計畫(HBP)，由EP-FL的HenryMarkram牽頭，包括6個平台:神經信息學平台、醫學信息學平台、腦仿真平台、高性能計算平台、類腦計算平台與神經機器人平台。
13)2013年，美國啟動BRAIN(brainresearchthroughadvancinginnovativeneurotechnologies)計畫。BRAIN並不直接涉及類腦計算，但它將推動對於生物大腦的深入理解，這是類腦計算研究的重要基礎。
14)2014年，DharmendraModha領導的IBMSyNAPSE項目推出了TrueNorth晶片，包含54億個半導體，功耗只有70mW，比半導體數量相當的傳統CPU功耗低5000倍左右。實現的一個用於視覺對象檢測的套用系統，包含300萬個神經元，功耗只有200mW。
15)2015年3月，德國海德堡大學在一個8英寸矽片上集成了20萬神經元和5000多萬突觸，採用這種“神經形態處理器”的類腦計算機成功運行。
16)2016年3月，歐盟人類大腦計畫宣布把剛剛建成的兩套類腦計算機通過網際網路對外開放使用，以支持神經微迴路模擬以及在機器學習和認知計算中套用類腦原理的相關研究。這兩套系統即上面提到的德國海德堡大學的BrainScaleS系統 和 英國曼徹斯特大學的SpiNNaker系統。
17)2016年8月，IBM蘇黎世研究院製造出脈衝神經元。與之前採用電阻、電容等模擬器件構造模擬神經元不同，這種人造神經元使用相變材料，特徵尺寸達到納米級別，未來可以小到14nm。每個單元能穩定存儲3比特數據，還能執行多種計算，如檢測數據關聯等，並且像生物神經元一樣具有隨機性。
18)2016年9月，日本東海大學繪製出首個果蠅全腦神經網路3維圖譜，總計10萬神經元。
研究機構
瑞士洛桑聯邦理工學院（ＥＰＦＬ）建立了腦與心智研究所（ＢｒａｉｎＭｉｎｄＩｎｓｔｉｔｕｔｅ），其科研團隊包含了基礎神經科學、計算神經科學、人工智慧、機器人相關的科研人員，共同從事瑞士藍腦計畫、歐盟腦計畫相關的研究．美國麻省理工學院成立了腦、心智與機器研究中 心（ＣｅｎｔｅｒｆｏｒＢｒａｉｎ，ＭｉｎｄａｎｄＭａｃｈｉｎｅ，ＭＩＴ），由著名計算神經科學家、人工智慧專家Ｐｏｇｇｉｏ領導．研究中心由美國國家自然科學基金委支持，旨在集結計算機科學家、認知科學家、神經科學家開展深度合作，從事智慧型科學與工程研究．其目前主要研究方向是感知學習、推理、神經計算．史丹福大學成立了心智、腦與計算研究中心（ＳｔａｎｆｏｒｄＣｅｎｔｅｒｆｏｒＭｉｎｄ，ＢｒａｉｎａｎｄＣｏｍｐｕｔａｔｉｏｎ），由認知心理學家、人工神經網路專家ＭｃＣｌｅｌｌａｎｄ領導。該中心集成理論、計算和實驗研究的方法，致力於研究感知、理解、思維、感受、決策的腦神經信息處理機制。
套用
目前類腦計算機已經實現了多種智慧型任務，例如將類腦計算機作為智慧型中樞，實現抗洪搶險場景下多個機器人協同工作；模擬不同腦區建立神經模型，為科學研究提供更快更大規模的仿真工具；實現“意念打字”，對腦電信號進行實時解碼等。
類腦智慧型未來的套用重點應是適合於人類相對計算機更具優勢的信息處理任務，如多模態感知信息（視覺、聽覺、觸覺等）處理、語言理解、知識推理、類人機器人與人機協同等。即使在大數據套用中，大部分數據也是圖像視頻、語音、自然語言等非結構化數據，需要類腦智慧型的理論與技術來提升機器的數據分析與理解能力。具體而言，類腦智慧型可用於機器的環境感知、互動、自主決策、控制等，基於數據理解和人機互動的教育、醫療、智慧型家居、養老助殘，可穿戴設備，基於大數據的情報分析、國家和公共安全監控與預警、知識搜尋與問答等基於知識的服務領域。從承載類腦智慧型的設備角度講，類腦智慧型系統將與數據中心、各種掌上設備等智慧型終端、汽車、飛行器、機器人等深度融合。
