出版于 1968 年的《仿生人會夢見電子羊嗎？》曾大膽設(shè)想機器人也將擁有人的特質(zhì)，這些仿生人會思考、會睡覺還會做夢，開啟人們對于冰冷造物和生命間的思考。[1]
現(xiàn)在，那種充滿賽博朋克色彩的世界似乎不再遙遠。芯片結(jié)構(gòu)已高度模仿生物大腦，開始擁有五感，并且越來越具備人的特征，它就是神經(jīng)形態(tài)芯片，一種比現(xiàn)有 CPU 或 GPU 能耗比強一千倍以上的芯片。[2]
迄今為止，神經(jīng)形態(tài)計算仍然在研究階段，但接連而來產(chǎn)業(yè)化動作，昭示著這一技術(shù)將成就第一批吃螃蟹的人。[3]
從生物大腦到芯片
神經(jīng)形態(tài)計算（Neuromorphic Computing）也被稱為神經(jīng)擬態(tài)計算，指的是參考生物大腦神經(jīng)元結(jié)構(gòu)和思考處理模式而搭建的架構(gòu)，它是一種跳出傳統(tǒng)馮?諾依曼架構(gòu)的先進計算形式，據(jù)這一架構(gòu)設(shè)計出來的芯片就是神經(jīng)形態(tài)芯片。
簡單解釋，就是把人腦做進了芯片里。雖然乍聽這樣一個詞語，非常晦澀難懂，但實際上，同樣是借鑒人腦的人工智能（AI）技術(shù)早已進入千家萬戶 [4]。只不過，神經(jīng)形態(tài)芯片是一種架構(gòu)更接近人腦的器件。
類腦芯片中的一種
神經(jīng)形態(tài)計算也是一種類腦芯片（Brain-inspired Computing，也被稱為腦啟發(fā)計算）。
目前，類腦芯片的精確定義及范圍劃分，學術(shù)界、產(chǎn)業(yè)界意見尚未統(tǒng)一。一般粗略分為神經(jīng)形態(tài)芯片（基于脈沖神經(jīng)網(wǎng)絡(luò) SNN）和深度學習專用處理器（基于人工 / 深度神經(jīng)網(wǎng)絡(luò) ANN / DNN），前者是從結(jié)構(gòu)層逼近生物大腦，側(cè)重于參照人腦神經(jīng)元模型及其組織結(jié)構(gòu)來設(shè)計芯片結(jié)構(gòu)，后者則非神經(jīng)元組織結(jié)構(gòu)，而是圍繞成熟認知計算算法，設(shè)計芯片結(jié)構(gòu)。[5]
簡單解釋二者原理，深度學習專用處理器是降維處理，把多維問題轉(zhuǎn)換為一維信息流；神經(jīng)形態(tài)芯片是升維處理，通過多維時空變換，以期更接近人腦思考方式，從而獲得更好的能耗、算力和效率。[6]
▲ 馮諾依曼架構(gòu)與神經(jīng)形態(tài)架構(gòu)的對比，圖源丨 Nature Computational Science[7]
深度學習專用處理器屬于另一個子行業(yè)，早在 2012 年，中科院計算所研制了當時國際上首個支持深度神經(jīng)網(wǎng)絡(luò)處理器架構(gòu)芯片寒武紀 [8]，目前玩家包括 Mythic、Graphcore、Gyrfalcon Technology、Groq、HAILO、Greenwaves、谷歌、地平線、寒武紀等。
兩大方向并非彼此獨立或互斥，而是交叉融匯。對于深度學習已非常擅長的，如模擬人類視覺或自然語言交互任務(wù)，會繼續(xù)使用深度學習網(wǎng)絡(luò)去應(yīng)對；對于其它不太適合用深度學習做的，如嗅覺、機器人操控、多模態(tài)甚至于跨模態(tài)間存儲等，將會采用新架構(gòu)的神經(jīng)形態(tài)芯片。
研究界和產(chǎn)業(yè)界都在逐漸模糊二者界限，但實際上，很多論文、報告或文章中的類腦芯片，指的是神經(jīng)形態(tài)芯片。本文將采用更為精準的一種描述 —— 神經(jīng)形態(tài)芯片。
▲ 類腦計算兩大平臺特性 [9]
生物大腦的特點
生物大腦能夠?qū)崿F(xiàn)感知、運動、思維、智力等各種功能，但由于其復雜性，目前對大腦的認識與理解還非常有限，這對神經(jīng)形態(tài)芯片從認知原理、硬件實現(xiàn)、智能算法到雙腦融合等都帶來了挑戰(zhàn)。[10]
以目前研究來看，生物大腦中，神經(jīng)元細胞會通過樹突、突觸等實現(xiàn)信號傳遞與調(diào)整等功能，同時，神經(jīng)元間會以脈沖信號形式相互交流。實際上，單個神經(jīng)元的結(jié)構(gòu)和功能并不復雜，但通過突觸互連的大規(guī)模神經(jīng)網(wǎng)絡(luò)，就能實現(xiàn)各種復雜的學習和認知功能。[11]
另外，生物大腦與主流的人造芯片結(jié)構(gòu)極為不同：
神經(jīng)元和突觸的信息處理結(jié)構(gòu)不僅擁有更高效率，還可實現(xiàn)大規(guī)模并行處理；[12]
傳統(tǒng)計算系統(tǒng)的馮?諾依曼計算架構(gòu)，計算和存儲分離，但生物大腦則是存儲和處理一體，不存在單獨的存儲器，另外，生物大腦里也沒有動態(tài)隨機存取存儲器、沒有哈希層級結(jié)構(gòu)、沒有共享存儲器等；[13]（可參考果殼硬科技歷史文章《存算一體芯片，人工智能時代的潛力股》）
生物大腦記憶并非一成不變，而是既有頻繁重復的長時記憶，也有快速遺忘的短時記憶，兩者互相轉(zhuǎn)換表現(xiàn)在突觸上，就是長 / 短時程可塑性的轉(zhuǎn)變；[14]
計算機基本均為全數(shù)字信號的處理方式，而生物大腦則是混合信號，腦內(nèi)通信使用數(shù)字信號快速傳輸，神經(jīng)元和突觸的處理使用更為有效的模擬化學形式。[15]
▲ 傳統(tǒng)電路結(jié)構(gòu)（左）對比人腦結(jié)構(gòu)（右）[16]
但也不是說人造的器件就沒有任何優(yōu)點，假如能用 CMOS 構(gòu)造出與生物大腦同等規(guī)模的器件，二者會呈現(xiàn)不同的優(yōu)勢領(lǐng)域，神經(jīng)形態(tài)芯片最終一定是結(jié)合生物大腦和人造器件各自優(yōu)點而設(shè)計制造。
▲ 生物大腦對比同等規(guī)模 CMOS 器件 [16]
三種主流實現(xiàn)形式
早在 1952 年，就有研究將神經(jīng)系統(tǒng)建模為等效電路 [17]，直到上世紀八十年代，超大規(guī)模集成電路（VLSI）發(fā)明者之一，加州理工大學的 Carver Mead 以此為靈感，創(chuàng)造了神經(jīng)形態(tài)（Neuromorphic）這一術(shù)語，描述模仿生物神經(jīng)系統(tǒng)某些功能的設(shè)備和系統(tǒng)。[18]
Carver Mead 在內(nèi)的科學家花了 40 多年時間潛心研究這項技術(shù)，最終目標是模擬人體感官和處理機制的分析系統(tǒng)，如觸覺、視覺、聽覺和思維?，F(xiàn)在，神經(jīng)形態(tài)芯片行業(yè)已發(fā)展出雛形。
一顆理想的神經(jīng)形態(tài)芯片背后是多個學科的碰撞，包括在材料上追求類生物物質(zhì)，在器件上構(gòu)造神經(jīng)元與突觸，在電路上實現(xiàn)神經(jīng)網(wǎng)絡(luò)連接，在算法上實現(xiàn)大腦思考能力 [19]。不同神經(jīng)形態(tài)芯片的涉及材料、器件、工藝極多，而它也將會自下而上地從材料、器件、電路、架構(gòu)帶動算法和應(yīng)用。[7]
▲ 神經(jīng)形態(tài)芯片涉及的領(lǐng)域和機會，圖源丨 Nature Computational Science，有改動 [7]
目前為止，神經(jīng)形態(tài)芯片的構(gòu)造基本一致，包括神經(jīng)元計算、突觸權(quán)重存儲、路由通信三部分，同時采用與脈沖神經(jīng)網(wǎng)絡(luò)（SNN）模型。[9]
但依據(jù)材料、器件、電路不同，分為模擬電路主導的神經(jīng)形態(tài)系統(tǒng)（數(shù)模混合 CMOS 型）、全數(shù)字電路神經(jīng)系統(tǒng)（數(shù)字 CMOS 型）、基于新型器件的數(shù)?；旌仙窠?jīng)形態(tài)系統(tǒng)（憶阻器是候選技術(shù)）三種流派。
兩種基于 CMOS 的方式能夠繼續(xù)利用現(xiàn)有制造技術(shù)，搭建人工神經(jīng)元及其連接人工突觸，但模擬單個神經(jīng)元或突觸行為，需要由多個 CMOS 器件組成電路模塊，因此集成密度、功耗和功能模擬準確度會有所限制；新型器件從底層器件仿生的角度出發(fā)，在器件層面模擬神經(jīng)元和突觸，在功耗、學習性能等方面有顯著優(yōu)勢，但目前仍處在探索階段。[12]
其中，數(shù)字 CMOS 型是目前最易產(chǎn)業(yè)化的形式。一方面，技術(shù)和制造成熟度高，另一方面，不存在模擬電路的一些顧慮和限制。
▲ 神經(jīng)形態(tài)芯片的三種實現(xiàn)形式，制表丨果殼硬科技
如何衡量一顆神經(jīng)形態(tài)芯片的好壞？主要從計算密度、能量效率、計算精度和學習能力四項指標來評價其競爭力。[20]
▲ 神經(jīng)形態(tài)芯片的四項關(guān)鍵指標和現(xiàn)狀，制表丨果殼硬科技
資料來源丨 Nature Electronics[20]，《新經(jīng)濟導刊》[21]
解決行業(yè)燃眉之急
為什么要做神經(jīng)形態(tài)芯片？它的商業(yè)價值在于能在低功耗以及少量訓練數(shù)據(jù)的條件下持續(xù)不斷自我學習，并且在理想情況下，同樣一個人工智能任務(wù)中，神經(jīng)形態(tài)芯片的能耗較傳統(tǒng)的 CPU 或 GPU 減少了一千倍以上。
數(shù)字時代下，計算機的計算速度越來越快，甚至下起象棋來，還能戰(zhàn)勝世界冠軍。因此，人們親切地把計算機稱作電腦，但它的能效和智能程度還遠達不到生物大腦。[22]
比如，AlphaZero 是由 5000 個谷歌的專用機器學習處理器（TPU）組成的巨無霸，但每個單元功耗高達 200W[23]。再如，IBM 曾在深藍超級計算機平臺上仿真一只貓的腦皮層模型（相當于人類大腦的百分之一），就需近 15 萬塊 CPU 和 144TB 主存，能耗高達 1.4MW。[24]
反觀人類的大腦，由約 850 億個神經(jīng)元組成，通過一千萬億（1015）個神經(jīng)突觸連接在一起，每秒能夠執(zhí)行一億億次操作，但如此龐大的系統(tǒng)處理起日常任務(wù)的功耗只有 20W[25]。與此同時，一個兩歲的小孩，在任何角度、距離和光照條件下，都能毫無困難地從許多人中認出他 / 她所熟悉的人，智慧程度遠超現(xiàn)有任何計算系統(tǒng)。[22]
所以，把芯片做成大腦，通過模仿生物大腦結(jié)構(gòu)，神經(jīng)形態(tài)芯片也確實擁有了能效比的特性。其獨有的事件觸發(fā)運算機制，當沒有動態(tài)信息生成時，不會觸發(fā)運算行為。同時，它還善于做復雜的時空序列分析，雖然單個神經(jīng)元速率很低，但由于它和生物大腦的機制類似，可進行大規(guī)模并行運算，響應(yīng)速度會遠遠快于現(xiàn)有解決方案。
可以說，神經(jīng)形態(tài)芯片有潛力成為現(xiàn)在的救世主，解決行業(yè)面前的三大問題：一是數(shù)據(jù)量級大；二是數(shù)字形態(tài)日趨多元化，很多數(shù)據(jù)已不能依靠手動編輯輸入或人工處理解決，需要智能化處理；三是應(yīng)用對延時要求愈加強烈，傳統(tǒng)單一計算架構(gòu)會碰到性能和功耗的瓶頸。
另外，神經(jīng)形態(tài)芯片還契合了綠色計算的概念。算力成為電力之后又一經(jīng)濟指標，耗能巨大的計算方式難挑大梁，能量優(yōu)化的方式才是破解問題的最優(yōu)解。據(jù)估算，數(shù)據(jù)中心每年會消耗約 200 太瓦時（TWh）的電力，這一數(shù)據(jù)已經(jīng)相當于一些國家一年全國的耗電量。[26]
大規(guī)模商業(yè)化怎么走
雖然神經(jīng)形態(tài)芯片處處都好，但它只在特定領(lǐng)域發(fā)揮特長，不會取代傳統(tǒng)計算平臺。CPU、GPU 等傳統(tǒng)數(shù)字計算芯片擅長精確計算，而神經(jīng)形態(tài)芯片擅長非結(jié)構(gòu)化數(shù)據(jù)、圖像識別、嘈雜及不確定數(shù)據(jù)集分類、新型學習系統(tǒng)和推理系統(tǒng)等領(lǐng)域。
能顛覆特定領(lǐng)域計算的量子計算，其實也是同樣的邏輯，它也不能脫離現(xiàn)有計算系統(tǒng)。未來的先進計算系統(tǒng)必然要求傳統(tǒng)數(shù)字芯片、神經(jīng)形態(tài)芯片和量子計算三者相互協(xié)同作戰(zhàn)。[27]
目前來說，神經(jīng)形態(tài)芯片難設(shè)計、難制造，尚未形成規(guī)模化市場。同時，業(yè)界一致認可的結(jié)論是，投資在神經(jīng)形態(tài)芯片上面的錢，遠遠落后于人工智能或量子技術(shù)。[27]
小小一顆芯片，蘊含著半導體制造技術(shù)、腦科學、計算神經(jīng)科學、認知科學、統(tǒng)計物理等學科知識 [28]，制造出這一顆芯片，要牽扯到物理學家、化學家、工程師、計算機科學家、生物學家和神經(jīng)科學家這些關(guān)鍵角色，讓如此眾多角色去做同一件事、說同一門語言，毫無疑問是有挑戰(zhàn)性的。
但其顛覆性的價值，引得全球加速商業(yè)化進程。數(shù)據(jù)顯示，神經(jīng)形態(tài)芯片市場將由 2021 年的 2274.3 萬美元提升到 2026 年的 5.5 億美元，年復合增長率高達 89.1%。[29] 另外，如果基本技術(shù)問題在未來幾年內(nèi)得到解決，那么到 2035 年，全球神經(jīng)形態(tài)芯片市場將占整體人工智能市場的 18%，達到 220 億美元。[30]
那么，想推進大規(guī)模商業(yè)化，要解決什么問題？
其一，設(shè)計問題：大腦在實時處理復雜信息的同時，只消耗極少的能量，如何更好地理解這種高效工作機制，并把這些機制用到芯片中去，很難。僅拿商業(yè)化路徑最近的數(shù)字 CMOS 型來說，多塊全數(shù)字異步設(shè)計的芯片互聯(lián)、芯片連接的有效性和時效性以及軟件層互連計算、分布式計算和靈活分區(qū)都是難于跨過的鴻溝；
其二，制造問題：利用硅基晶體管路線可以復用現(xiàn)有制造技術(shù)，而非硅基路線還要解決底層制程、制造良率以及支撐大規(guī)模生產(chǎn)等問題，就算問題都解決了，做出了實驗芯片，還要繼續(xù)考慮產(chǎn)品化量級的穩(wěn)定供應(yīng)問題；
其三，軟件和生態(tài)問題：神經(jīng)形態(tài)芯片與現(xiàn)有架構(gòu)完全不同，而社區(qū)中不少開發(fā)者是在底層構(gòu)造自己的脈沖神經(jīng)網(wǎng)絡(luò)算法，并通過底層庫把軟件燒寫進硬件做試驗，這顯然不是規(guī)模化的方案。大規(guī)模商業(yè)化，軟件工具鏈就非常重要了；
其四，缺乏殺手級應(yīng)用：不論是機器人、自動駕駛還是工業(yè)大規(guī)模優(yōu)化，本身的邏輯應(yīng)該是以應(yīng)用驅(qū)動技術(shù)發(fā)展，在此基礎(chǔ)上再持續(xù)不斷建設(shè)生態(tài)系統(tǒng)。目前比較公認的觀點是，神經(jīng)形態(tài)技術(shù)最先將在消費電子、移動終端、工業(yè)物聯(lián)網(wǎng)找到應(yīng)用。
神經(jīng)形態(tài)芯片的玩家
全球范圍內(nèi)，參與神經(jīng)形態(tài)計算芯片開發(fā)的機構(gòu)主要包括三類：英特爾、IBM、高通等為代表的科技巨頭企業(yè)，斯坦福、清華為代表的高校 / 研究機構(gòu)以及初創(chuàng)企業(yè)。[31]
▲ 神經(jīng)形態(tài)計算玩家不完全統(tǒng)計，圖源丨智東西 [32]
國外發(fā)展情況
國外在神經(jīng)形態(tài)芯片上的研究力度極大，不乏麻省理工學院、斯坦福大學、波士頓大學、曼徹斯特大學、海德堡大學等名校?？萍季揞^以英特爾、IBM、高通、三星為代表，初創(chuàng)企業(yè)包括 BrainChip、aiCTX、Numenta、General Vision、Applied Brain Research、Brain Corporation 等。[32]
從研究和實施情況來看，英特爾和 IBM 的實驗芯片最具代表性。
▲ 目前已知神經(jīng)形態(tài)芯片詳細參數(shù)對比，制表丨果殼硬科技
參考資料丨 IEEE[33]
英特爾的 Loihi 是全數(shù)字設(shè)計的神經(jīng)形態(tài)芯片。2017 年，英特爾開發(fā)出第一款 Loihi。2021 年，英特爾在此基礎(chǔ)上推出第二代 Loihi2，采用 Intel 4 制程工藝生產(chǎn)，單芯片神經(jīng)元數(shù)量達到 100 萬。
英特爾神經(jīng)形態(tài)芯片目前在感知領(lǐng)域應(yīng)用已取得很大進展，包括手勢識別、視覺推理以及多達三千倍學習數(shù)據(jù)的氣味傳感。另外，英特爾還開發(fā)出了一臺將 768 顆 Loihi 芯片集成在 5 臺標準服務(wù)器大小的機箱中的 Pohoiki Springs 數(shù)據(jù)中心機架式系統(tǒng)。
為了讓神經(jīng)形態(tài)芯片更好用，英特爾還推出了名為 Lava 的開源軟件框架，它是一種無需使用專門硬件就可構(gòu)建應(yīng)用的軟件，能在傳統(tǒng)和神經(jīng)擬態(tài)處理器的異構(gòu)架構(gòu)上無縫運行，并允許研究人員和應(yīng)用開發(fā)人員在彼此取得的成果上進一步開發(fā)。[34]
英特爾并不急于將神經(jīng)形態(tài)芯片商業(yè)化，與小公司維持特定應(yīng)用不同，英特爾是把它當作一項通用技術(shù)，同時會以十億美元以上的水平看待所有商業(yè)機會。
▲ 英特爾 Loihi 和 Loihi2 簡介
TrueNorth 則是 IBM 潛心研發(fā)將近 10 年的實驗芯片，自從 2008 年起，美國 DARPA 計劃就開始資助這項計劃。2011 年，IBM 公司推出了第一代 TrueNorth。
到 2014 年，IBM 的第二代 TrueNorth 神經(jīng)元數(shù)量由 256 個增加到 100 萬個，可編程突觸數(shù)量由 262144 個增加到 2.56 億個，每秒可執(zhí)行 460 億次突觸運算，總功耗為 70mW（每平方厘米功耗為 20mW），整體體積僅為第一代類腦芯片的十五分之一。[5]
值得一提的是，IBM 在 2019 年還曾推出名為 Blue Raven 的神經(jīng)形態(tài)超級計算機，擁有 6400 萬神經(jīng)元和 160 億個突觸的處理能力，功耗僅為 40W，相當于一個家用燈泡。[35]
國內(nèi)發(fā)展情況
國內(nèi)研究包括清華大學、浙江大學、復旦大學、中科院等頂級學府和機構(gòu)，同時近兩年不斷涌現(xiàn)初創(chuàng)公司，如靈汐科技、時識科技、中科神經(jīng)形態(tài)等。其中以清華大學的天機芯和浙江大學的達爾文芯片最具代表性。
▲ 國內(nèi)神經(jīng)形態(tài)芯片初創(chuàng)企業(yè)不完全統(tǒng)計，制表丨果殼硬科技
資料來源丨公司官網(wǎng)，《新經(jīng)濟導刊》[21]，量子位 [36]
清華大學的神經(jīng)形態(tài)芯片是國內(nèi)最具代表性的實驗芯片。2015 年開發(fā)的第一代天機芯采用 110nm 工藝，當時僅僅是一個小樣。2017 年，第二代天機芯開始取得先進成果，基于 28nm 工藝制成，由 156 個功能核心 FCore 組成，包含約 4 萬個神經(jīng)元和 1000 萬個突觸。相比第一代，密度提升 20%，速度提高至少 10 倍，帶寬提高至少 100 倍。[37]
為了讓神經(jīng)形態(tài)芯片更具實用性，清華大學還自主研發(fā)了軟件工具鏈，支持從深度學習框架到天機芯的自動映射和編譯。根據(jù)清華大學的計劃，下一代天機芯將是 14nm 或更先進的工藝，且功能會強大更多。[38]
國內(nèi)另一具有代表性的是，浙江大學聯(lián)合之江實驗室共同研制的類腦計算機，其神經(jīng)元數(shù)量與小鼠大腦神經(jīng)元數(shù)量規(guī)模相當。該計算機包含 792 顆達爾文 2 代芯片，支持 1.2 億個脈沖神經(jīng)元、720 億個神經(jīng)突觸，如此龐大規(guī)模之下，典型運行功耗僅為 350W~500W。[39]
事實上，國內(nèi)在神經(jīng)形態(tài)芯片領(lǐng)域的技術(shù)實力已處于全球領(lǐng)先水平，全球玩家都處在這一領(lǐng)域的起跑線上。
可以說，這是值得布局的一項技術(shù)。但它也是一塊難啃的骨頭，是材料、器件、工藝、架構(gòu)、算法缺一不可的龐大賽道，是一個摸黑走到底的領(lǐng)域，同時未來必然會遇到應(yīng)用場景和投入產(chǎn)出比問題。
不過，市場就是這樣，誰敢挑戰(zhàn)空白的領(lǐng)域，誰就能成為第一批拿到紅利的人。
參考
[1] 菲利普?K.迪克.Do Androids Dream of Electric Sheep [M].Doubleday, 1968. [First Edition].
[2] Davies M, Srinivasa N, Lin T H, et al. Loihi: A neuromorphic manycore processor with on-chip learning[J]. Ieee Micro, 2018, 38(1): 82-99.https://doi.org/10.1109/mm.2018.112130359
[3] 你好張江：時識科技喬寧：為類腦智能正名，成為那個“吃螃蟹的人”.2021.11.9.https://mp.weixin.qq.com/ s / IIxy8E9tfqt6XHk_bfFidg
[4] Arrow：神經(jīng)形態(tài)計算與人工智能：神經(jīng)形態(tài)計算芯片和人工智能硬件.2020.4.16.https://www.arrow.com/ zh-cn / research-and-events / articles / neuromorphic-computing-chips-and-ai-hardware
[5] 陶建華，陳云霽.類腦計算芯片與類腦智能機器人發(fā)展現(xiàn)狀與思考 [J].中國科學院院刊，2016,31 (07):803-811.
[6] 新華社：中國類腦計算先行者施路平：在 AI“無人區(qū)”探路.2021.9.26.https://www.tsinghua.edu.cn/ info / 1662/87321.htm
[7] Schuman C D, Kulkarni S R, Parsa M, et al. Opportunities for neuromorphic computing algorithms and applications[J]. Nature Computational Science, 2022, 2(1): 10-19.https://doi.org/10.1038/s43588-021-00184-y
[8] Chen Y, Luo T, Liu S, et al. Dadiannao: A machine-learning supercomputer[C]//2014 47th Annual IEEE/ACM International Symposium on Microarchitecture. IEEE, 2014: 609-622.https://doi.org/10.1109/micro.2014.58
[9] 鄧磊.異構(gòu)融合類腦計算平臺的計算模型與關(guān)鍵技術(shù)研究 [D].清華大學，2017.
[10] Li F, He Y, Xue Q. Progress, challenges and countermeasures of adaptive learning[J]. Educational Technology & Society, 2021, 24(3): 238-255.https://www.jstor.org/stable/27032868
[11] 鄧亞彬，王志偉，趙晨暉，李琳，賀珊，李秋紅，帥建偉，郭東輝.類腦神經(jīng)網(wǎng)絡(luò)與神經(jīng)形態(tài)器件及其電路綜述 [J].計算機應(yīng)用研究，2021,38 (08):2241-2250
[12] 王宗巍，楊玉超，蔡一茂，朱濤，叢楊，王志衡，黃如.面向神經(jīng)形態(tài)計算的智能芯片與器件技術(shù) [J].中國科學基金，2019,33 (06):656-662.
[13] Wan C, Cai P, Wang M, et al. Artificial sensory memory[J]. Advanced Materials, 2020, 32(15): 1902434.https://doi.org/10.1002/adma.201902434
[14] Wu Y, Wang X, Lu W. Dynamic resistive switching devices for neuromorphic computing[J]. Semiconductor Science and Technology, 2021.https://doi.org/10.1088/1361-6641/ac41e4
[15] Sterling P, Laughlin S. Principles of neural design[M]. MIT press, 2015.
[16] Schuller I K, Stevens R, Pino R, et al. Neuromorphic computing–from materials research to systems architecture roundtable[R]. USDOE Office of Science (SC)(United States), 2015.https://doi.org/10.2172/1283147
[17] Hodgkin A L, Huxley A F. A quantitative description of membrane current and its application to conduction and excitation in nerve[J]. The Journal of physiology, 1952, 117(4): 500.https://doi.org/10.1113/jphysiol.1952.sp004764
[18] Mead C. Adaptive retina[M]//Analog VLSI implementation of neural systems. Springer, Boston, MA, 1989: 239-246.https://doi.org/10.1007/978-1-4613-1639-8_10
[19] 吳朝暉.類腦計算 —— 構(gòu)建“人造超級大腦”[N].人民 日報，2022-1-11.http://ent.people.com.cn/ n1/2022/0111 / c1012-32328291.html
[20] Zhang W, Gao B, Tang J, et al. Neuro-inspired computing chips[J]. Nature electronics, 2020, 3(7): 371-382.https://doi.org/10.1038/s41928-020-0435-7
[21] 劉星，李星宇.神經(jīng)形態(tài)計算芯片產(chǎn)業(yè)化發(fā)展前景分析 [J].新經(jīng)濟導刊，2021,(03):31-34.
[22] 師漢民.科學的睿智與美妙 —— 數(shù)蘊玄學與面對復雜 [M]，高等教育出版社，2010：103–105
[23] Furber S. Large-scale neuromorphic computing systems[J]. Journal of neural engineering, 2016, 13(5): 051001.https://doi.org/10.1088/1741-2560/13/5/051001
[24] Ananthanarayanan R, Esser S K, Simon H D, et al. The cat is out of the bag: cortical simulations with 109 neurons, 1013 synapses[C]//Proceedings of the conference on high performance computing networking, storage and analysis. 2009: 1-12.https://doi.org/10.1145/1654059.1654124
[25] Wu K J. Google’s new AI is a master of games, but how does it compare to the human mind[J]. Smithsonian, 2018, 10.
[26] Jones N. How to stop data centres from gobbling up the world's electricity[J]. Nature, 2018, 561(7722): 163-167. https://doi.org/10.1038/d41586-018-06610-y
[27] Mehonic A, Kenyon A J. Brain-inspired computing needs a master plan[J]. Nature, 2022, 604(7905): 255-260.https://doi.org/10.1038/s41586-021-04362-w
[28] 智源社區(qū)：一文梳理類腦計算的前世今生 | 中科院自動化所研究員李國齊.2022.5.7.https://mp.weixin.qq.com/ s/9-FW5ZxJt4fthNhQI10qHA
[29] Markets And Markets：Neurom orphic Computing Market by Offering, Deployment, Application (Image Recognition, Signal Recognition, Data Mining), Vertical (Aerospace, Military, & Defense, Automotive, Medical) and Geography (2021-2026).https://www.marketsandmarkets.com/Market-Reports/neuromorphic-chip-market-227703024.html
[30] Yole：Neuromorphic Computing and Sensing.2021.5.https://s3.i-micronews.com/uploads/2021/05/Yole-D%C3%A9veloppement-Neuromorphic-Computing-and-Sensing-2021-Sample.pdf
[31] 施路平，裴京，趙蓉.面向人工通用智能的神經(jīng)形態(tài)計算 [J].人工智能，2020,4 (01):6-15.
[32] 智東西：深扒全球仿生芯片計劃！15 + 公司已入局，人造大腦通往未來計算之門.2020.4.26.https://mp.weixin.qq.com/ s / VW21Q7IZOiSX9lCmw2jEFA
[33] Paul A, Song S, Das A. Design technology co-optimization for neuromorphic computing[C]//2021 12th International Green and Sustainable Computing Conference (IGSC). IEEE, 2021: 1-6.https://doi.org/10.1109/igsc54211.2021.9651556
[34] 知 IN：英特爾推出 Loihi 2 和全新 Lava 軟件框架，攜手更多合作伙伴推動神經(jīng)擬態(tài)計算進一步發(fā)展.2021.10.1.https://mp.weixin.qq.com/ s / gDdTwxqmhj7wudEgqCib-g
[35] ARFL：World's largest Neuromorphic digital synaptic super computer.https://afresearchlab.com/technology/artificial-intelligence/worlds-largest-neuromorphic-digital-synaptic-super-computer/
[36] 量子位：初創(chuàng)公司即融資上億，這個“人造超級大腦”賽道為什么不是噱頭？.2022.8.18.https://mp.weixin.qq.com/ s / sXNK2piMFa3QI17DijNcJg
[37] 清華大學：清華大學類腦計算中心施路平教授團隊在《自然》發(fā)表封面文章.2019.8.1.https://www.tsinghua.edu.cn/ info / 1181/34641.htm
[38] 清華大學：清華大學通用人工智能芯片“天機芯”登上《自然》封面 —— 以“類腦”覓“天機”.2019.8.12.https://www.tsinghua.edu.cn/ info / 1182/50148.htm
[39] 新華網(wǎng)：神經(jīng)元規(guī)模最大類腦計算機問世.2020.9.11.http://www.xinhuanet.com/ science / 2020-09/11 / c_139360379.htm
本文來自微信公眾號：果殼硬科技 （ID：guokr233），作者：付斌 編輯：李拓
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。