在当下，数字计算机于处理像是图像识别、自然语言理解这类认知任务之时，其功耗能够达到数百瓦，然而人脑仅仅只需20瓦就可以轻松地完成这些任务。
这种存在着巨大能效差异之处，正促使科学家们，从中从脑科学里去获取灵感，进而重新开展设计计算硬件的工作，最终催生出了神经形态计算这一处于前沿位置的领域。
从大脑结构重塑计算范式
人脑之中，含有大约1000亿个神经元，还有千万亿个突触，它们共同构成了一个处于动态变化，能够可重构的复杂系统。
在大脑里头，神经元身为处理器，突触直接担当存储器功能，这两者在物理方面紧密耦合。
这种结构让大脑能在极低功耗下，利用集体行为进行复杂计算。
与之形成对照的是传统电子计算机，内存和处理器处于被物理分离的状态，数据是在冯·诺依曼瓶颈里来回进行传输的。
2020年，有一篇在《自然》杂志上发表的文章表明，当这种架构执行认知任务时，数据搬运的过程耗费了大量能量，进而成为了效率提升的根本阻碍。
汲取灵感的两种路径
当前神经形态计算研究呈现出两条清晰的路径。
第一条，从人工智能领域获取灵感，其目的在于，把现有的深度神经网络算法，也就是如图2所展示的卷积网络，映射到专用物理硬件之上，进而提升其运行能效。
这种方法的优势在于能快速落地现有成熟算法。
第二条路径则更为根本，它直接从神经科学中寻求答案。
研究人员尝试去模仿生物神经元具备着的复杂动力学特性，并非只是单单把它化简成为输入跟那么输出的非线性函数。
针对这种方法，期望给人工网络配备更为丰富的特征，借此达成超越当下AI的复杂计算能力。
物理与材料的基石作用
实现神经形态计算的关键在于物理和材料科学的突破。
经过研究显示得出这样的结论，唯有去创造出人工纳米神经元以及突触，并且把它们予以大规模的互联操作，才能够在物理层面去复现大脑的拓扑结构。
这需要开发能够模拟生物突触可塑性的新材料。
例如，混合CMOS/忆阻系统便是重要尝试。
当中呢，神经元是由传统模拟或者数字电路给构成的，然而忆阻器却是当作物理突触，是以非易失性的方式在原地去存储权重的。
这种设计极大程度降低了数据于电路内的移动，于物理底层为速度以及能效的提高奠定了根基。
深度网络的硬件映射方案
以当下应用最为广泛的深度网络为对象，在学术领域里面，已经有人提出了两种具备可扩展性的物理架构。
一种是混合的CMOS与忆阻系统，信息在模拟或者数字神经元那里，以电流形式，往忆阻突触间流动。
这种架构，能以高效的方式，去执行深度网络的矩阵运算，它是当前的一个方向，且是商业化潜力较高的那种方向。
另一种引人瞩目的方案是光子神经网络。
它借助光速开展计算，经由克尔效应达成非线性功能，或者凭借半导体激光器里的载流子加热达成非线性功能。
光子系统具备极高的带宽，其能够天然地避免电阻热损耗，这为达成超高速的神经网络推理提供了全新可能，同时也为实现低延迟的神经网络推理提供了全新可能。
挑战与前景并存的未来
尽管前景广阔，神经形态计算仍面临严峻挑战。
于设备这一层面而言，不知怎样去达成每个神经元超出1000个突触的那种高密度互连状态，且要使之趋近大脑的水平，这成为了材料科学当中的一个极大难题。
与此同时，纳米器件所具备的固有的可变性，以及其存在的不可靠性，同样对算法设计提出了新的要求。
算法方面，那些从事研究工作的人员在致力于创造出，经由物理器件所具备的缺陷来开展学习成效的全新算法。
大脑具备借助不完美且随机的生物组件实现高效学习的能力，这一情况给予我们启示，或许我们不应该去追求那种完美的硬件一致性，而是要去开发一种新型计算范式，这种范式得能够适应甚至利用此种非理想特性。
从玩具系统到大规模网络
目前，许多突破性进展源于小型物理神经形态系统的搭建。
比如，存在这样一个研究团队，他们研发出了一种实验性玩具网络，而该网络的构成元素包含自旋电子纳米振荡器，这些自旋电子纳米振荡器充当着神经元的角色。
这些规模受限的小型系统，却为验证理论假设构造了宝贵的实验平台，且为探索物理现象搭建了宝贵的实验平台。
最终要达成的宏伟目标，是去构建大规模系统，该系统包含数百万个组件，而这需要物理学、材料科学以及纳米技术协同进行创新。
这一目标得以实现，意味着在系统层面要达成趋近大脑的互连密度，与此同时，要去开发全新的学习算法，以此来处理海量纳米器件的集体行为。
处于多学科交叉爆发点的神经形态计算，未来到底是哪种材料会成为主流，哪种物理原理又会成为主流呢？
是硅基CMOS、忆阻器还是光子芯片？
你认为在迈向类脑智能的道路上，最大的技术瓶颈是什么？
欢欢喜喜地在评论区域去分享你那独特的见解，为这篇文章点一个大大的赞，跟更多数位的朋友一块儿去探讨有关计算的将来。
Comments NOTHING