這不前陣子，馬斯克揚言已將大腦上傳到云端，并與虛擬版本進行交談。

　　關于人造大腦這事兒，再次引發(fā)了熱議：

　　人類是否能構(gòu)建跟人腦一樣的機器腦？

　　事實上這個問題，不光是理念，更已經(jīng)是一種實踐方向——歸屬于類腦計算的范疇。作為下一代人工智能的“種子選手”，它有望打破傳統(tǒng)馮諾伊曼架構(gòu)，*新的計算變革。

　　不過發(fā)展至今，類腦計算始終呈現(xiàn)出正負兩極的評價。

　　一面是業(yè)內(nèi)如火如荼的融資進展。據(jù)相關機構(gòu)預測，2035年類腦計算的市場規(guī)模約200億美元。另一面則是腦機制研究不深入、沒法復刻出相仿的神經(jīng)網(wǎng)絡等質(zhì)疑。

　　到底是口耳相傳的噱頭，還是實打?qū)嵉挠部萍纪黄?

　　借著這一契機來盤一盤類腦計算到底什么來頭?

　　01

　　什么是類腦計算

　　與人工智能、機器學習類似，類腦計算目前沒有明確的定義。以至于有關它的英文表達，也不止一種：

　　Brain-like Computing(仿腦計算);Brain-inspired Computing(腦啟發(fā)計算);Neuromorphic Computing(神經(jīng)形態(tài)計算)……

　　不過字面拆解來看，類腦計算就是借鑒生物大腦的信息處理機制，以此誕生的一種新型計算形態(tài)。

　　與現(xiàn)有計算機相比，生物大腦(以人腦代表)有諸多優(yōu)勢。中科院院士、浙大校長吳朝輝曾撰文，主要有以下幾點：

　　功耗低，僅20瓦左右;

　　容錯性強，即便少部分神經(jīng)元死亡，對整體功能影響不大;

　　并行處理信息;

　　神經(jīng)網(wǎng)絡可塑性好，可根據(jù)環(huán)境變化自主學習和進化。

　　而以神經(jīng)科學為導向、以大腦為模仿對象的類腦計算，既保留計算機本身優(yōu)勢，又疊加了大腦處理機制的buff，比如低功耗、自主決策學習、并行處理等特點，自然成為*新一代計算變革的種子選手。

　　近年來，人工智能，尤其是深度學習取得了令人矚目的成果，在某些方面的表現(xiàn)甚至已經(jīng)超越了人類。

　　但與自然智能相比，深度學習在效率、功耗以及通用性上仍有一定的局限性，遠沒有達到真正意義上的智能程度。

　　類腦計算另辟蹊徑，于是就成為科學家們的研究重點。

　　但想要實現(xiàn)真正的類腦并非那么容易，即便上世紀末科學家們就已經(jīng)開始探索。清華大學集成電路學院何虎教授將其形容為珠峰。誰也不清楚，哪一條路會攀上頂峰。

　　目前，類腦計算大體可分成三種探索方向：

　　模擬神經(jīng)元結(jié)構(gòu)和功能，簡單來說就是仿真真實大腦機理，進而探索大腦內(nèi)部的“運作模式”。

　　最新代表性進展來自北京智源人工智能研究院給出的“智能線蟲”——天寶1.0。

　　它完整模擬出秀麗隱桿線蟲的神經(jīng)系統(tǒng)——302個神經(jīng)元，以及數(shù)千個連接，并為它構(gòu)造了3D流體仿真環(huán)境。它可以在其中蠕動前行，并具備簡單趨利避害的能力。

　　不過這種逆向工程——從生物體環(huán)境提取出抽象的數(shù)字模型，存在一定的局限性。

　　一言以蔽之，就是生物大腦本身的復雜度。

　　正如何虎教授所介紹：一方面，大腦環(huán)境過于復雜。抽象出的大腦模型，相當于只是簡化版。另一方面，結(jié)構(gòu)和功能之間“有壁”。即便成功構(gòu)建了大腦結(jié)構(gòu)，距離真正實現(xiàn)其功能還有很長的路要走。

　　這一路徑目前還停留在學研階段，在此就不進一步深入展開。

　　核心來看剩下兩種路徑：模擬神經(jīng)網(wǎng)絡以及開發(fā)新型電子設備。更通俗來講，即軟件算法層面，或硬件芯片層面上對大腦機制的模擬。

　　為了便于理解，將類腦計算與當下主流的深度學習作為對比。

　　先來看軟件算法層面，生物神經(jīng)元是以脈沖的形式將信息傳遞到下一個神經(jīng)元層，放在類腦計算的研究中，即演化為脈沖神經(jīng)網(wǎng)絡SNN。

　　SNN，相較于DNN，更忠實地模擬大腦神經(jīng)元和連接電路，其信息載體為脈沖序列，有空間域和時間域兩個維度來傳遞信息，在中科院李國齊教授看來，SNN兼具生物合理性與計算高效性。

　　進一步的，北京理工大學楊旭博士分享了類腦算法與傳統(tǒng)算法模型之間的不同，核心有三個層面：

　　連接方式不同，稀疏連接與全連接;

　　驅(qū)動方式不同：事件驅(qū)動與數(shù)據(jù)驅(qū)動;

　　學習方式不同：DNN是從大量數(shù)據(jù)中總結(jié)出規(guī)律，而SNN則是因果學習，自適應能力強。

　　這也就導致SNN所表現(xiàn)出的功耗更低，效率更高以及自適應能力更強。

　　但與此同時，也不免有人質(zhì)疑SNN的有效性。

　　因為關于SNN訓練，目前還面臨著諸多挑戰(zhàn)，包括脈沖神經(jīng)元中復雜的時空動力過程、脈沖信息不可導、脈沖退化和訓練精度損失等，也就進一步導致當前尚未存在一種統(tǒng)一的、且公認有效的算法來訓練它。

　　具體舉個例子，如楊旭博士所說，比如由于SNN中的脈沖不可微分，DNN中非常成熟的梯度下降法就沒法直接應用，但現(xiàn)在由于對大腦機制的理解還不夠，就找不到一個能和該方法同樣有效的訓練方法。

　　處于同一境地的，還有類腦芯片。

　　目前也沒有統(tǒng)一的技術方案(此處統(tǒng)一指代的是具有超低功耗的計算芯片)。

　　世界上最早的一款類腦芯片，當屬于IBM于2011年研制出的兩個具有感知認知能力的硅芯片原型。

　　隨后像英特爾、斯坦福、曼大、浙大、清華也都相應推出自己的芯片方案。

　　2019年，第三代天機芯登上Nature封面，再度掀起對類腦芯片的熱議。芯片搭載在無人駕駛自行車上，實現(xiàn)了自主決策、實時視覺探測、自動避障等功能。

　　除此之外，另外兩種趨勢也不容忽視。

　　一種是類腦感知芯片，也叫做神經(jīng)形態(tài)傳感器，即對類腦觸覺、視覺、聽覺等傳感器的研究，開發(fā)具有高時間分辨率、低延時、低功耗的新型傳感器，在機器人、物聯(lián)網(wǎng)等方面有應用價值。

　　比如三星的動態(tài)視覺傳感器(DVS)，配在數(shù)碼相機上就能捕捉2000幀的畫面，只消耗300毫瓦的電能。

　　另一種則是材料的延伸，開發(fā)基于納米等新材料的芯片，比如像憶阻器、相變存儲器、電化學存儲器。

　　可以感知到的是，兜兜轉(zhuǎn)轉(zhuǎn)近十年的類腦芯片，目前還市場標準還未統(tǒng)一，應用場景也多樣。更多芯片方案還處于自我更新迭代當中。

　　算法如此，芯片如此，背后的核心原因其實也不難理解。

　　一方面是理論知識不夠，受限于對大腦機制的了解；另一方面則是工程化難題，從理論落到實際。

　　也正因此，類腦計算相關的質(zhì)疑始終不少。

　　甚至有人直言：噱頭而已。

　　02

　　當前行業(yè)現(xiàn)狀如何？

　　是不是真的噱頭，且來看當前的行業(yè)現(xiàn)狀。

　　事實上，我們已經(jīng)可以見到類腦計算商業(yè)化的身影。放眼全球，從2013年開始便有相關創(chuàng)企開始冒頭，國內(nèi)則集中爆發(fā)于2017-2018年。

　　據(jù)不完全統(tǒng)計，全球類腦企業(yè)公司已有20家左右，雖然融資輪次多集中于A輪，但各家公司拿到的融資金額少則千萬多則上億，甚至還出現(xiàn)了一家上市企業(yè)，來自法國的Brainchip。

　　跟更多前沿產(chǎn)業(yè)一樣，有幾家是直接從相關大學或研究所的類腦研究成果中孵化而來，Brainchip在內(nèi)包括Innatera、時識科技、靈汐科技、優(yōu)智創(chuàng)芯等。

　　△ 國外類腦企業(yè)代表

　　△ 國內(nèi)類腦企業(yè)代表

　　從這些公司的技術路線上來看，主要有兩條路徑，恰好也是前面提到實現(xiàn)類腦智能的兩種解決思路。

　　一是芯片優(yōu)先，即在硬件層面上進行對大腦機制的模擬。目前大多數(shù)類腦企業(yè)都是這個思路。

　　以優(yōu)先上市的Brainchip為例，他們研發(fā)出了世界上*款商用神經(jīng)擬態(tài)處理器Akida，面向邊緣AI計算，去年10月開始量產(chǎn)。今年2月還與奔馳達成合作，用于座艙內(nèi)的感知和識別。

　　最新融資約4000萬元的荷蘭企業(yè)Innatera，去年推出了一款基于SNN的神經(jīng)擬態(tài)加速器，主要用于語音識別、生命體征監(jiān)測和雷達等。

　　再比如專注于圖像和視頻領域的類腦企業(yè)PROPHESEE，通過模仿人眼和大腦的工作方式，開發(fā)出了一款類腦智能視覺處理器，能夠幫助提高自動駕駛、工業(yè)自動化、物聯(lián)網(wǎng)、安防以及AR/VR等領域的識別效率。

　　國內(nèi)方面的代表，比如時識科技，其產(chǎn)品既包括可達到0.1mW的超低功耗計算芯片，還包括可用于面部檢測、實時手勢識別、實時目標分類等視覺任務的各類動態(tài)視覺類腦感知芯片。

　　做感知芯片的不算少，還包括專注類腦觸覺芯片的他山科技(該芯片于去年9月流片)，專注類腦嗅覺芯片的中科類腦(主要用于火災預警等場景)等。

　　靈汐科技的重點是異構(gòu)融合類腦計算芯片，該類芯片只需12W功耗即可提供32Tops的INT8算力和6Tflops的FP16算力。……

　　這種以芯片優(yōu)先的思路，*好處是可以率先實現(xiàn)類腦的有效性，發(fā)揮它的低功耗優(yōu)點�？梢钥吹�，目前這些產(chǎn)品已經(jīng)大多落地于物聯(lián)網(wǎng)、邊緣計算等場景。

　　不過，這種思路也有它的局限性。我們知道，市面上的每一種產(chǎn)品實際上都是工程落地的問題。

　　但是在工程落地之前，要先把它最根本的物理原理理解清楚，變成算法，然后再去尋找最合適的工程方法，去做芯片，把它變成產(chǎn)品落地。

　　也就是說，芯片其實是為算法服務的。于是乎產(chǎn)業(yè)界出現(xiàn)了另一種聲音：

　　如果連一個有效的算法都沒有，相關的硬件和硬件加速又從何談起呢?

　　這也恰好是*種技術路線：以算法優(yōu)先，然后再以算法定義芯片。

　　事實上，這種方式并不陌生，早在人工智能浪潮開始時，就有一波AI公司走的這條路徑，比如曠視、地平線、商湯等。

　　因為用“算法定義硬件”，往往可以實現(xiàn)芯片性能的*化。

　　像深度學習加速器，就是“算法定義硬件”的典型，當傳統(tǒng)的芯片hold不住越來越快的新算法時，我們就通過優(yōu)化算法來獲得計算資源需求和內(nèi)存需求更小的新模型，讓芯片得以“適應”。

　　這種優(yōu)勢延伸到類腦領域，可以讓開發(fā)出來的類腦算法運行在普通的芯片架構(gòu)上，讓傳統(tǒng)芯片也能擁有此前不具備的能力。

　　因此，也有一些企業(yè)選擇了這條路。

　　優(yōu)智創(chuàng)芯，就是當前代表。

　　這家公司主要解決的是深度學習中的不可解釋性問題，自研了基于SNN的可解釋因果學習算法系統(tǒng)(CLAS Causal Learning Algorithm System)。

　　該系統(tǒng)下的因果學習算法*的特點就是像人腦一樣，在學習權值的調(diào)節(jié)過程中，會根據(jù)因果關系去決定權值該增加還是減少——

　　從而做到并非單純地去模仿數(shù)據(jù)，而是去理解數(shù)據(jù)產(chǎn)生背后的具體過程是什么樣的。

　　當然，最后還需要利用強化學習去加強每個因果過程(即前后神經(jīng)元之間的連接關系)。

　　在此，楊旭博士解釋道，通過模仿數(shù)據(jù)找規(guī)律的方式就是現(xiàn)在ANN的工作方式，這種網(wǎng)絡對數(shù)據(jù)樣本質(zhì)量的要求非常高，而后者，在SNN上采取因果學習的方法，就沒有這種要求了，甚至可能只需小樣本就可以做到智能通用。

　　“就像人類認貓認狗，我們只需要認識路邊的幾只就知道狗長什么樣，不需要把全世界的都看一遍。”

　　對于因果學習的合理性，何虎教授則表示，我們這個世界本身就是一套因果系統(tǒng)，人類文明可以說就是靠著不斷去問為什么而往前發(fā)展的。就像學生，要真正學會解一道數(shù)學題，靠不求甚解地背過程是不可能的，還是需要知道每一步都是如何推理出來，即每一步的因果關系。

　　那么因果學習系統(tǒng)能帶來的*好處是什么呢?

　　是決策，何虎教授表示。

　　而優(yōu)智創(chuàng)芯開發(fā)的這套因果學習算法一開始就瞄準的正是深度學習中的非*信息決策問題(以自動駕駛為例，可能會出現(xiàn)的非*信息就包括物體遮擋，道路交通標志不完整、不準確等情況)。

　　因此，針對該類問題的經(jīng)典場景之一——打撲克，該公司實現(xiàn)了*基于SNN的斗地主AI——“智玩”。

　　最終，“智玩”通過了107個人類個體樣本不嚴謹圖靈測試，擬人化程度超過80%，再經(jīng)過人類個體樣本訓練，個性化程度達到了85%，勝率*做到了49%，實現(xiàn)了“像人一樣玩游戲”的目標。

　　除了“智玩”機器人，優(yōu)智創(chuàng)芯還利用其自研的CLAS因果學習算法系統(tǒng)設計了類腦芯片。

　　其中，旗艦類腦芯片“思辨1號”對標SpiNNaker，采用28nm工藝，主頻為2 GHz，支持RISC-V Vector 1.0指令集，同時支持AI加速(算力可達4TOPS)和類腦計算(SNN因果學習算法)，單芯片同時*可實現(xiàn)100萬個神經(jīng)元運算的同時，功耗不高于2W，性能可以與英特爾Loihi2媲美。

　　除此之外，優(yōu)智創(chuàng)芯還構(gòu)建出了基于CLAS因果學習算法系統(tǒng)和類腦芯片組成的整體解方案——“硅腦”全自主無人系統(tǒng)平臺。

　　基于功耗小、成本低、具有可解釋性以及可以自主靈活決策的特點，該平臺聚焦在無人機、無人駕駛、機器人的應用，可以擴展到AIGC、元宇宙、腦科學研究等領域。

　　由該平臺衍生出來的K50/K51型SFS全自主無人飛行系統(tǒng)(類腦計算盒子)直接掛載在無人機上即能夠?qū)崿F(xiàn)未知地域且離線狀態(tài)下的全自主飛行任務，可以用于電力巡線、海岸、植被、軌道交通、礦山、消防等多場景全自主無人飛行巡查，也可用于軍事領域的武器突防等。

　　以及衍生出來的C60型SDS全自主無人駕駛系統(tǒng)(類腦計算盒子)，正在與多家車企合作驗證，相信不久的將來，就會出現(xiàn)正真意義上的L4+級別無人駕駛汽車在城市中自由穿梭。

　　03

　　市場規(guī)模將達200億美元

　　綜上，我們可以看到，類腦計算并非“束之高閣”，而是已經(jīng)走出實驗室，開始了商業(yè)化的摸索。

　　據(jù)Yole Development預測，2035年類腦計算市場將占人工智能總收入的15%-20%，市場規(guī)模將達到 200億美元。

　　雖然目前領域還處于發(fā)展的早期，面臨著諸多待解難題，但已經(jīng)顯現(xiàn)出了勢不可擋的趨勢。我們認為理由有三。

　　首先，縱觀人工智能發(fā)展的歷史，從ANN到DNN，其實都是基于對大腦的模仿。

　　比如2016年擊敗圍棋世界冠軍李世石的AlphaGo，作為一個深度學習神經(jīng)網(wǎng)絡，它所利用的多層訓練法就借鑒了一項認知科學的研究結(jié)果：

　　人們認識事物并不是通過直接分析，而是依靠一種逐層抽象的認知機制，即首先學習簡單的概念，然后用它們?nèi)ケ硎靖�抽象的�?/p>

　　當然，諸如AlphaGo此類DNN都還是對大腦功能相對簡單和抽象的模仿，存在著各種局限性。

　　第三代神經(jīng)網(wǎng)絡SNN由此誕生，除了神經(jīng)元和突觸狀態(tài)之外，SNN還將時間概念納入其中，實現(xiàn)了更*的大腦生物神經(jīng)模擬水平，有望打破現(xiàn)有的神經(jīng)網(wǎng)絡在功耗、算力、樣本數(shù)量和質(zhì)量等方面的限制。

　　因此，我們說，類腦計算不失一種順勢而為的科技發(fā)展趨勢。

　　其次，要從當下最火熱的通用人工智能（AGI）說起。

　　毫無疑問，現(xiàn)階段的一些AI技術已經(jīng)可以在某些特定任務上打敗人類，但沒法在所有技能上勝出。

　　這就像北京師范大學認知神經(jīng)科學和學習國家重點實驗室研究員萬小紅博士等所說，人工智能更專業(yè)，自然智能更通用。

　　更通用的強人工智能是AI發(fā)展的*目標。就在一個多月之前，圖靈獎得主LeCun公布的未來十年研究計劃，就將AGI作為核心目標。

　　由于人類智能的核心是大腦，模擬大腦的類腦計算也就成為了實現(xiàn)AGI的一大重要路徑。

　　最后，再將目光聚焦到當下，可以說，我們從未像今天這樣需要新型計算機。

　　調(diào)查顯示，全球每三四個月對于算力的需求就會翻一倍，這個增長速度已經(jīng)遠超摩爾定律和Dennard縮放定律。

　　但傳統(tǒng)馮·諾伊曼計算架構(gòu)存算分立的設計，讓處理器即使再快也要等內(nèi)存，算力根本無法得到提高。

　　作為新型計算形態(tài)的一種，類腦計算芯片有望打破這一僵局。

　　此外，值得一提的是，雖說目前人類對大腦的研究還遠不夠透徹，但北京理工大學楊旭博士和北京師范大學萬小紅博士——兩位一個來自計算機科學領域，一個來自認知神經(jīng)科學，都一致認為：

　　這并不會真正妨礙類腦計算向前發(fā)展。

　　相反，他們都表示，AI技術的發(fā)展反過來還可以促進腦科學的研究，兩者其實是相互成就的關系。

　　那么，等到真正的類腦時代來臨之時，它將會和傳統(tǒng)的人工智能技術并存，還是完全取代后者?又將會給人類社會帶來怎樣的變革?

　　這無疑充滿了想象的空間。我們拭目以待。

　　參考文獻：[1]https://news.sciencenet.cn/htmlnews/2022/1/472375.shtm

　　[2]https://www.sohu.com/a/424817554_129720

　　[3]https://www.sgpjbg.com/info/25374.html

　　[4]https://www.ahpst.net.cn/News/show/18405.html

　　[5]https://s3.i-micronews.com/uploads/2021/05/YINTR21214-Neuromorphic-Computing-and-Sensing-2021-Flyer.pdf

　　[6]張臣雄 .《AI芯片：前沿技術與創(chuàng)新未來》