近年來，需求已增長，以提高效率更高，更智能的人工智能系統(tǒng)。與我們習(xí)慣的傳統(tǒng)系統(tǒng)不同，遵循馮·諾伊曼(Von Neumann)體系結(jié)構(gòu)模型，神經(jīng)形態(tài)計算模仿神經(jīng)元結(jié)構(gòu)和過程，提出了一種旨在解決計算的基本限制的方法，例如高能消耗和慢速任務(wù)處理。從本質(zhì)上講，它是一種受人腦生物學(xué)功能啟發(fā)的計算體系結(jié)構(gòu)，神經(jīng)元和突觸有效地協(xié)同工作以處理信息和數(shù)據(jù)。因此，神經(jīng)形態(tài)計算試圖效仿大腦的效率，我們知道，這可以同時處理數(shù)十億個認(rèn)知操作，而能量密度最小。通過遵循神經(jīng)形態(tài)方法，可以開發(fā)能夠以有效且可擴(kuò)展的方式模擬這些神經(jīng)網(wǎng)絡(luò)的專業(yè)硬件，從而在AI應(yīng)用程序和先進(jìn)的機(jī)器人技術(shù)中引起革命。

神經(jīng)形態(tài)計算的結(jié)構(gòu)

神經(jīng)元是神經(jīng)系統(tǒng)中細(xì)胞的類型，它通過信號傳輸信息，對于大腦內(nèi)部以及大腦和身體其余部分之間的通信至關(guān)重要。神經(jīng)元之間的通信需要電信號和化學(xué)信號。這發(fā)生在突觸之間，其中釋放了稱為神經(jīng)遞質(zhì)的化學(xué)信號并影響附近神經(jīng)元的活性。從技術(shù)上講，神經(jīng)元由幾個部分組成：樹突從細(xì)胞體(也稱為SOMA)分支，這是計算發(fā)生的地方。軸突是神經(jīng)元的長溝通渠道。樹突的功能是接收來自其他神經(jīng)元的信息。一些樹突有一些稱為刺的小預(yù)測，對于與其他神經(jīng)元進(jìn)行溝通很重要。

神經(jīng)形態(tài)計算的核心在于在集成電路中重現(xiàn)人工神經(jīng)元和突觸的想法。人造神經(jīng)元與生物神經(jīng)元相似，僅在脈沖或尖峰達(dá)到一定的激活閾值時才發(fā)送信號。與不斷處理信息的傳統(tǒng)系統(tǒng)相比，該技術(shù)被稱為基于SPIKE的計算，可以大大降低能耗。另一方面，人工突觸模擬了神經(jīng)元之間的聯(lián)系，并可以根據(jù)學(xué)習(xí)來改變其體重，復(fù)制對人腦必不可少的突觸可塑性過程。

減少能源消耗是神經(jīng)形態(tài)計算的主要優(yōu)點之一，旨在創(chuàng)建能夠執(zhí)行復(fù)雜的學(xué)習(xí)過程的設(shè)備，而無需大量的計算或能源資源，這使得它非常適合移動和便攜式應(yīng)用程序，在該應(yīng)用程序中，能源效率是關(guān)鍵的，但對于大型AI而言，在哪個處理效率上也需要降低成本和環(huán)境影響。

神經(jīng)形態(tài)體系結(jié)構(gòu)還通過克服馮·諾伊曼瓶頸(Von Neumann Bottleneck)來區(qū)分傳統(tǒng)計算系統(tǒng)，其中處理器和內(nèi)存之間的分離限制了系統(tǒng)的速度和效率。在神經(jīng)形態(tài)計算中，信息處理和存儲與人腦一樣發(fā)生同時發(fā)生，從而實時處理大量數(shù)據(jù)的潛伏期大大減少。實際上，大腦的特征是平行結(jié)構(gòu)，該體系結(jié)構(gòu)使用了大量的神經(jīng)元和突觸。神經(jīng)形態(tài)計算芯片通常使用數(shù)百萬個神經(jīng)元和突觸，與大量核心相互連接，每個核心都建模了大量神經(jīng)元和突觸。神經(jīng)形態(tài)電路可以使用離散事件方法進(jìn)行計算，其中處理是為了響應(yīng)特定信號而進(jìn)行的處理類似于人腦中的神經(jīng)元如何通過電脈沖相互交流。表征神經(jīng)形態(tài)計算的其他方面包括實時操作，可擴(kuò)展設(shè)計，計算效率，低功率密度和容錯性。

從馮·諾伊曼建筑到神經(jīng)形態(tài)芯片

馮·諾伊曼(Von Neumann)體系結(jié)構(gòu)的特征是幾個關(guān)鍵組件，它們以協(xié)調(diào)的方式一起工作，包括CPU，內(nèi)存，I/O單元，系統(tǒng)總線，控制單元等。它是一種古典計算體系結(jié)構(gòu)，是大多數(shù)現(xiàn)代計算機(jī)設(shè)計的基本模型，這些模型在半個多世紀(jì)以來一直占據(jù)了計算機(jī)科學(xué)領(lǐng)域。該體系結(jié)構(gòu)的模型的特征是處理單元與負(fù)責(zé)存儲數(shù)據(jù)和指令的內(nèi)存之間的明確分離。處理器從內(nèi)存，解碼，檢索必須操作并執(zhí)行指令的數(shù)據(jù)中讀取指令。

傳統(tǒng)建筑的主要局限性在于其順序。也就是說，必須按順序執(zhí)行指令，這可能導(dǎo)致問題，尤其是在需要并行處理的應(yīng)用程序(例如神經(jīng)網(wǎng)絡(luò)和AI)的應(yīng)用中。順序行為使管理復(fù)雜且高度互動的操作變得困難，這對于現(xiàn)代的機(jī)器學(xué)習(xí)和深入學(xué)習(xí)應(yīng)用至關(guān)重要。

盡管數(shù)十年來可以擴(kuò)展馮·諾伊曼(Von Neumann)的體系結(jié)構(gòu)，但我們面臨著瓶頸，例如延遲和過度功耗。 CPU通常必須等待比CPU本身慢的內(nèi)存數(shù)據(jù)獲取數(shù)據(jù)。此外，存在節(jié)能問題，而可伸縮性已達(dá)到難以克服的極限。從基于von Neumann的系統(tǒng)過渡到神經(jīng)形態(tài)的系統(tǒng)需要完全重新設(shè)計軟件和算法。為了克服所有這些局限性，神經(jīng)形態(tài)計算現(xiàn)在被認(rèn)為是有效的選擇。

開發(fā)利用并行處理和量子計算的新體系結(jié)構(gòu)的開發(fā)使我們能夠克服其中一些問題。同時，計算機(jī)市場還開始為CPU和內(nèi)存之間交換信息提供更快的界面。在神經(jīng)形態(tài)計算中，研究也在增長，以基于生物學(xué)原理和大腦機(jī)制開發(fā)復(fù)雜的計算系統(tǒng)。與基于von Neumann結(jié)構(gòu)的系統(tǒng)不同，神經(jīng)形態(tài)芯片模仿了人腦，試圖模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能。

神經(jīng)形態(tài)芯片旨在以平行和分布式的方式處理數(shù)據(jù)，從而使大量信息更有效，更快地處理數(shù)據(jù)，遵循數(shù)據(jù)的非線性表示，從而同時處理信息，而不是順序處理。

傳統(tǒng)體系結(jié)構(gòu)和神經(jīng)形態(tài)芯片的系統(tǒng)之間的另一個實質(zhì)性差異是管理信息的方式。盡管傳統(tǒng)處理器遵循確定性和線性邏輯，但神經(jīng)形態(tài)芯片采用了概率和適應(yīng)性邏輯，這意味著這些芯片可以學(xué)習(xí)并適應(yīng)新信息，而無需完全重新設(shè)計。

神經(jīng)形態(tài)芯片可以有效地管理可變工作負(fù)載，從而提供解決不同AI應(yīng)用所需的靈活性。但是，在應(yīng)用程序級別上，神經(jīng)形態(tài)計算超出了簡單的機(jī)器學(xué)習(xí)和深度學(xué)習(xí)。實際上，這些芯片也可以用于物聯(lián)網(wǎng)的便攜式設(shè)備，機(jī)器人系統(tǒng)和傳感器網(wǎng)絡(luò)中，其中能源效率和實時處理數(shù)據(jù)的能力對于項目的成功至關(guān)重要。

在功能層面上，神經(jīng)形態(tài)芯片由內(nèi)存計算體系結(jié)構(gòu)組成，其中沒有中央內(nèi)存和中央處理單元，但是存儲和計算電路是分布式的，因此我們有許多小的記憶和計算單元。

高通的零芯片中的所有人類智能

高通公司是移動設(shè)備半導(dǎo)體的領(lǐng)先制造商，在神經(jīng)形態(tài)技術(shù)的開發(fā)方面投入了大量投資。通過零項目，高通尋求將神經(jīng)塑料計算的功能集成到移動設(shè)備中，以將AI直接帶入智能手機(jī)和邊緣設(shè)備。零系統(tǒng)基于一種能夠隨著時間的流逝學(xué)習(xí)，適應(yīng)和改進(jìn)的神經(jīng)形態(tài)結(jié)構(gòu)，就像人腦一樣。

該系統(tǒng)的主要優(yōu)勢是能夠直接在設(shè)備上執(zhí)行高級AI操作而無需外部云進(jìn)行數(shù)據(jù)處理，從而大大降低了延遲，從而允許智能手機(jī)，無人機(jī)和物聯(lián)網(wǎng)設(shè)備自動操作并適應(yīng)周圍的環(huán)境。帶有Zeroth的設(shè)備可以學(xué)會實時識別圖像或聲音，從而通過本地學(xué)習(xí)不斷提高其準(zhǔn)確性。

高通將零項目集成到其Snapdragon處理器生態(tài)系統(tǒng)中，該系統(tǒng)用于全球數(shù)百萬個移動設(shè)備，并具有一項集成，可以直接在智能手機(jī)上直接在智能手機(jī)上直接在無需其他處理功率或高電池消耗的情況下直接在智能手機(jī)上進(jìn)行高級功能。

Zeroth的潛力與人機(jī)界面的未來特別相關(guān)，在該界面的未來中，設(shè)備必須能夠?qū)θ祟惢舆M(jìn)行明智的理解和反應(yīng)。

使用Brainchip的Akida進(jìn)行機(jī)器人技術(shù)和汽車的高級AI

神經(jīng)形態(tài)計算的另一個先驅(qū)Brainchip的旗艦產(chǎn)品是Akida芯片，該芯片專為實時AI應(yīng)用程序，例如機(jī)器人技術(shù)，自動駕駛汽車和智能視頻監(jiān)視。 Akida基于一種尖峰神經(jīng)網(wǎng)絡(luò)技術(shù)，該技術(shù)模仿了生物大腦的功能，從而使芯片高能節(jié)能且適合邊緣系統(tǒng)。

Akida的顯著特征之一是它具有逐步學(xué)習(xí)的能力，這意味著一旦在系統(tǒng)中實施，它就可以提高其性能而無需完整的重新訓(xùn)練，這對于諸如自主駕駛之類的應(yīng)用程序具有巨大的優(yōu)勢，在該應(yīng)用程序中，車輛必須能夠不斷適應(yīng)新的情況和環(huán)境。

Brainchip已與汽車和國防部門的幾家公司合作，將Akida集成到AV控制系統(tǒng)中。該芯片已在各種應(yīng)用中成功測試，包括先進(jìn)的視覺系統(tǒng)和雷達(dá)傳感器，在處理速度和低功耗方面表現(xiàn)出色。

此外，Akida實時處理數(shù)據(jù)的能力使其特別適合在動態(tài)環(huán)境中需要快速可靠決策的機(jī)器人。

神經(jīng)形態(tài)計算的前景和未來應(yīng)用

從馮·諾伊曼(Von Neumann)體系結(jié)構(gòu)到神經(jīng)形態(tài)芯片的轉(zhuǎn)變標(biāo)志著現(xiàn)代計算系統(tǒng)設(shè)計中的基本發(fā)展。雖然傳統(tǒng)的結(jié)構(gòu)為基礎(chǔ)提供了基礎(chǔ)，但神經(jīng)形態(tài)計算芯片通過模仿人腦的動態(tài)來提供新的計算觀點，從而實現(xiàn)了有效且平行的處理。這一轉(zhuǎn)變解決了馮·諾伊曼體系結(jié)構(gòu)的固有局限性，并為新應(yīng)用程序和更高級和適應(yīng)性AI的時代鋪平了道路。

神經(jīng)形態(tài)計算的潛力是巨大的，可以徹底改變AI，機(jī)器人技術(shù)，汽車和醫(yī)療保健等領(lǐng)域。未來的應(yīng)用程序包括可以實時監(jiān)控和診斷醫(yī)療狀況的智能醫(yī)療設(shè)備，與人類更自然互動的家庭機(jī)器人以及具有高度響應(yīng)能力控制系統(tǒng)的AV。諸如高通公司和Brainchip之類的公司正在證明現(xiàn)實世界中的案例表明，這項技術(shù)不再只是一個理論概念，而是一種快速發(fā)展的現(xiàn)實，并且已經(jīng)徹底改變了各個工業(yè)領(lǐng)域的應(yīng)用。

神經(jīng)形態(tài)系統(tǒng)設(shè)計師的戰(zhàn)略目標(biāo)之一是將這種新體系結(jié)構(gòu)集成到傳統(tǒng)工作流程中。盡管幾家公司已經(jīng)表現(xiàn)出最初的成功，但大規(guī)模采用需要更加成熟，強(qiáng)大的硬件和軟件基礎(chǔ)架構(gòu)。

創(chuàng)新的神經(jīng)形態(tài)方法還可以徹底改變AI系統(tǒng)的開發(fā)方式，從而降低能源需求并提高處理速度。在該領(lǐng)域的持續(xù)研究可能會導(dǎo)致新一代的設(shè)備能夠以前所未有的效率執(zhí)行復(fù)雜的認(rèn)知任務(wù)，從而重新定義了學(xué)習(xí)的概念。