中文字幕理论片,69视频免费在线观看,亚洲成人app,国产1级毛片,刘涛最大尺度戏视频,欧美亚洲美女视频,2021韩国美女仙女屋vip视频

2012年，計算機科學家達曼德拉·莫達（Dharmendra Modha）用一臺強大的超級計算機仿真了超過5000億個神經(jīng)元的活動，其數(shù)目甚至超過了人腦中850億個左右的神經(jīng)元數(shù)。這是莫達近十年工作的頂峰，在這十年里，莫達從仿真嚙齒動物和貓的腦開始直到仿真有人腦規(guī)模的系統(tǒng)。

該仿真消耗了巨大的計算資源，它用了150萬個處理器和1.5PB（150萬GB）的存儲器，然而其速度仍然慢得令人抓狂，比腦計算速度要慢1500倍。莫達估計，如果要使它和生物的實際運行速度一樣快，就需要12吉瓦的能量，大約是胡佛大壩最大供電量的6倍。加州北部IBM阿爾馬登研究中心（IBM Almaden Research Center）的腦啟發(fā)計算首席科學家莫達說：“然而，這對腦來說只是小菜一碟?！?strong>這種仿真遠遠無法復制人腦的功能，而人腦的功率與一個20瓦的燈泡差不多。

自2000年初以來，硬件的改進以及實驗和理論神經(jīng)科學的進步，使研究人員能夠創(chuàng)建更大、更精細的腦模型。但這些仿真越復雜，就越會受到傳統(tǒng)計算機硬件的限制，莫達極度耗電的模型就說明了這一點。

莫達的人腦仿真是在勞倫斯·利弗莫爾國家實驗室（Lawrence Livermore National Lab）的藍基因/Q紅杉超級計算機（Blue Gene / Q Sequoia supercomputer）上運行的，這臺計算機是傳統(tǒng)計算機硬件的一個無比強大的集合體：它的工作要靠一大堆傳統(tǒng)的計算機芯片，這些芯片是指甲大小的硅片，其中包含數(shù)百萬個晶體管。傳統(tǒng)計算機芯片的結(jié)構(gòu)和功能原則與我們的腦完全不同。

計算機的“思考”與我們的腦截然不同，這一事實讓它們在處理數(shù)字運算等任務時具有優(yōu)勢，同時也讓它們在其他一些領域里明顯顯得很原始，比如理解人類的語言或從經(jīng)驗中學習。如果科學家們想要仿真腦，使其能與人類智力相媲美，更不用說超越人類智力，他們可能就必須先要研制更好的構(gòu)件——某些受我們腦啟發(fā)的計算機芯片。

所謂的神經(jīng)形態(tài)芯片（neuromorphic chips）復制了腦的架構(gòu)，也就是說，它們通過類似于神經(jīng)元動作電位的“神經(jīng)鋒電位”相互交流。這種發(fā)放鋒電位的行為方式使得芯片的功耗非常小，即使將其拼接成非常大規(guī)模的系統(tǒng)，也能保持高能效。

滑鐵盧大學的理論神經(jīng)科學家克里斯·伊萊亞史密斯（Chris Eliasmith）說道：“在我看來，最大的優(yōu)勢是可擴展性?！痹谒摹度绾螛?gòu)建腦》（How to Build a Brain）一書中，伊萊亞史密斯描述了他創(chuàng)建并命名為“語義指針架構(gòu)統(tǒng)一網(wǎng)絡”（Spaun）*的功能腦的大規(guī)模模型^[1]。當伊萊亞史密斯運行Spaun的初始版本時，該模型有250萬個“神經(jīng)元”，即使在最好的傳統(tǒng)芯片上運行，它的運行速度也比生物神經(jīng)元要慢20倍。他說道：“每當我們增加幾百萬個神經(jīng)元時，它就會變慢那么多。”當伊萊亞史密斯在數(shù)字神經(jīng)形態(tài)硬件上運行他的一些仿真時，他發(fā)現(xiàn)它們不僅速度快得多，而且功效也提高了50倍左右。更妙的是，隨著伊萊亞史密斯仿真更多的神經(jīng)元，神經(jīng)形態(tài)平臺變得更加高效。這也是神經(jīng)形態(tài)芯片要從自然界復制過來的方式中之一，在自然界，隨著規(guī)模的擴大，比如說，從蠕蟲腦的300個神經(jīng)元擴大到人腦的850億個左右，腦似乎會同時增加功率和效率。

Spaun是Semantic Pointer Architecture Unified Network的縮寫。

神經(jīng)形態(tài)芯片在執(zhí)行復雜的計算任務時，功耗極低，這引起了科技行業(yè)的關(guān)注。神經(jīng)形態(tài)芯片的潛在商業(yè)應用包括高能效超級計算機、低功耗傳感器和自學習機器人。但生物學家心中有一種不同的應用：構(gòu)建一個功能齊全的人腦復制品。

今天的許多神經(jīng)形態(tài)系統(tǒng)，從IBM和英特爾開發(fā)的芯片，到作為歐盟人腦計劃一部分所創(chuàng)建的兩種芯片，研究人員都可以使用，他們可以遠程訪問它們來運行他們的仿真。研究人員正在用這些芯片創(chuàng)建單個神經(jīng)元和突觸的精細模型，并解讀各單元如何聚集在一起以創(chuàng)建更大的腦子系統(tǒng)。這些芯片允許神經(jīng)科學家在實際硬件上檢驗視覺、聽覺和嗅覺如何工作的理論，而不僅僅是用軟件仿真。最新的神經(jīng)形態(tài)系統(tǒng)也使研究人員得以開始進行更具挑戰(zhàn)性的任務，即復制人類如何思考和學習。

現(xiàn)在還只是起步階段，要真正釋放神經(jīng)形態(tài)芯片的潛力將需要理論、實驗和計算神經(jīng)科學家以及計算機科學家和工程師的共同努力。但最終的目標非常宏偉，并不亞于弄清楚腦的各個組成部分是如何共同創(chuàng)造思想、感情甚至意識。

英特爾神經(jīng)形態(tài)計算實驗室主任、計算機工程師邁克·戴維斯（Mike Davies）說道：“通過逆向工程復制腦，是我們能接受其挑戰(zhàn)的最雄心勃勃的技術(shù)難題之一?！?/span>

加州理工學院的科學家卡弗·米德（Carver Mead）在20世紀80年代創(chuàng)造了“神經(jīng)形態(tài)”（neuromorphic）一詞，因為他注意到，與作為現(xiàn)代計算機芯片構(gòu)件的數(shù)字晶體管不同，模擬晶體管更接近神經(jīng)元的生物物理性質(zhì)。具體來說，仿真電路中非常微小的電流（微小到電路實際上處于 '關(guān)閉 '狀態(tài)）表現(xiàn)出類似于生物神經(jīng)元中離子流過通道的動力學性質(zhì)，而這種流動并不導致動作電位。

賈科莫·因迪維里（Giacomo Indiveri）對米德及其同事們的工作很感興趣，90年代中他決定到加州理工學院做博士后研究?，F(xiàn)在，因迪維里是瑞士蘇黎世大學的一名神經(jīng)形態(tài)工程師，他所領導的研究小組是少數(shù)幾個延續(xù)米德使用低電流模擬電路方法的研究小組之一。因迪維里和他的團隊手工設計芯片的布局，這個過程可能需要幾個月的時間。他說道：“因為我們試圖提出巧妙的解決方案來實現(xiàn)神經(jīng)動力學，這仍然是鉛筆和紙張的工作。如果你在做模擬，那么這在很大程度上仍然是一門藝術(shù)?！?/span>

一旦確定了布局，他們就會將設計通過電子郵件發(fā)送給代工廠，這是一家制造智能手機和電腦芯片的精密金屬鑄造工廠。最終的結(jié)果看起來大致上就像智能手機芯片一樣，但它的功能就像“神經(jīng)元”組成的網(wǎng)絡，通過幾個節(jié)點傳播電脈沖。在這些模擬神經(jīng)形態(tài)芯片中，信號是通過實際的電脈沖來中繼的，這些脈沖的強度可以不同。就像在腦中一樣，信息是通過不同神經(jīng)元的脈沖定時（timing）來傳遞的。

因迪維里說道：“如果你把其中一個神經(jīng)元的輸出給神經(jīng)生理學家看，他將無法告訴你這究竟是來自硅神經(jīng)元還是來自生物神經(jīng)元。”

這些硅神經(jīng)元代表了復制神經(jīng)系統(tǒng)有機濕件（wetware）的不完美嘗試。生物神經(jīng)元是模擬-數(shù)字混合系統(tǒng)；它們的動作電位模仿數(shù)字硬件的離散脈沖，但它們也是模擬的，因為神經(jīng)元中的電壓水平會影響傳輸?shù)男畔ⅰ?/span>

模擬神經(jīng)形態(tài)芯片的特點是硅神經(jīng)元與生物神經(jīng)元的物理行為非常相似，但它們的模擬性質(zhì)也使它們傳輸?shù)男盘柌荒敲淳_。雖然在進化上我們的腦已經(jīng)找到了補償其組件不精確的方法，但研究人員卻將其基本概念帶入了數(shù)字領域。IBM和英特爾等公司都專注于數(shù)字神經(jīng)形態(tài)芯片，其硅神經(jīng)元復制了生物神經(jīng)元中的信息流動方式，但物理原理不同。之所以采取不同的物理原理，這和傳統(tǒng)數(shù)字芯片占據(jù)了我們絕大多數(shù)計算機和電子產(chǎn)品的原因相同，緣于其更高的可靠性和更容易制造。

-JeremyUNISEM歐洲有限公司 -

但這些數(shù)字芯片在體現(xiàn)腦架構(gòu)的方式上保持了其神經(jīng)形態(tài)狀態(tài)。在這些數(shù)字神經(jīng)形態(tài)芯片中，鋒電位以信息包的形式出現(xiàn)，而不是實際的電壓變化脈沖。戴維斯說道：“這與我們傳統(tǒng)上在計算機里設計的所有東西都有很大的不同。”

不管鋒電位的形狀如何，系統(tǒng)只有在輸入達到一定閾值時才會轉(zhuǎn)發(fā)信息，這使神經(jīng)形態(tài)芯片得以間斷地少量消耗電力，而非不間斷地大量消耗。這類似于腦的神經(jīng)元在任何時候都會進行交流，而不是聽從計時員的命令。另一方面，傳統(tǒng)芯片大多是線性的，在嚴格的內(nèi)部時鐘控制下，在存儲數(shù)據(jù)的存儲硬件和計算數(shù)據(jù)的處理器之間穿梭往返傳遞數(shù)據(jù)。

當莫達在設計IBM的神經(jīng)形態(tài)芯片（名為“真北”[TrueNorth]）時，他首先分析了獼猴和人腦中的長距離布線圖，該圖映射了不同腦區(qū)之間的連接方式^[2]。他說道：“它真正開始告訴我們長距離連接、短距離連接，以及關(guān)于神經(jīng)元和突觸的動力學性質(zhì)。”到2011年，莫達創(chuàng)造了一個包含256個硅神經(jīng)元的芯片，與蠕蟲秀麗隱桿線蟲（C.elegans）的腦規(guī)模相同。利用最新的芯片制造技術(shù)，莫達將神經(jīng)元包裝得更加緊密，以縮小芯片的體積，并將這些芯片中的4096個芯片平鋪在一起，最終在2014年發(fā)布了真北，它包含100萬個合成神經(jīng)元，這與蜜蜂腦的規(guī)模差不多，而且功耗比傳統(tǒng)芯片低幾百倍^[3]。

- Matt Chinworth -

真北等神經(jīng)形態(tài)芯片的人工神經(jīng)元之間具有非常高的連接性，類似于在哺乳動物腦中看到的情況。大規(guī)模并行的人腦的850億個神經(jīng)元通過大約1萬億個突觸高度互聯(lián)。

真北要簡單得多，其中有2.56億個 “突觸”，連接其100萬個神經(jīng)元。通過將多個真北芯片拼接在一起，莫達創(chuàng)造了兩個更大的系統(tǒng)：一個仿真了1600萬個神經(jīng)元和40億個突觸，另一個有6400萬個神經(jīng)元和160億個突觸。目前許多機構(gòu)的200多名研究人員可以免費使用真北。

除了神經(jīng)形態(tài)芯片的高度互聯(lián)和發(fā)放脈沖這兩大特性外，它們還復制了生物神經(jīng)系統(tǒng)的另一個特征：與傳統(tǒng)計算機芯片不同，傳統(tǒng)計算機芯片將處理器和存儲器放在不同的地方，而神經(jīng)形態(tài)芯片往往有很多微小的處理器，每個處理器都有少量的本地內(nèi)存。這種配置類似于人腦的組織，神經(jīng)元同時負責數(shù)據(jù)存儲和處理。研究人員認為，神經(jīng)形態(tài)架構(gòu)的這一要素可以讓用這些芯片構(gòu)建的模型更好地復制人類的學習和記憶。

學習能力是英特爾洛以希（Loihi）芯片*關(guān)注的一個重點，該芯片于2017年9月首次發(fā)布，并在2018年1月與研究人員分享據(jù)^[4]。洛以希芯片旨在仿真約13萬個神經(jīng)元和1.3億個突觸，這種芯片結(jié)合了鋒電位時間依賴性可塑性（STDP）的模型，STDP是腦中由突觸前和突觸后鋒電位的相對定時介導突觸強度的一種機制。一個神經(jīng)元如果在第二個神經(jīng)元發(fā)放之前發(fā)放，就會加強它與第二個神經(jīng)元之間的連接，而如果發(fā)放順序相反，連接強度就會減弱。這些突觸強度的變化被認為在人腦的學習和記憶中起著重要作用。

以夏威夷海底山Loihi命名。

領導開發(fā)洛以希芯片的戴維斯表示，其目的是為了學會我們腦擅長的快速、終身學習能力，而目前的人工智能模型卻還不具備。和真北一樣，也向許多不同的研究人員分發(fā)了洛以希芯片。隨著越來越多的團體使用這些芯片來仿真腦，戴維斯說：“希望可以逐漸搞清楚某些較為普遍的原理，由此得以解釋可在腦中看到的一些驚人能力?！?/span>

對于其所有潛在的科學應用來說，真北和洛以希芯片并不是專門為神經(jīng)科學家打造的。它們主要是研究芯片，旨在測試和優(yōu)化神經(jīng)形態(tài)架構(gòu)，以提高其能力和易用性，并探索各種潛在的商業(yè)應用。其范圍從語音和手勢識別到高能效機器人和設備上的機器學習模型，這些模型可以支持開發(fā)更聰明的智能手機和自動駕駛汽車。歐盟的人腦計劃（Human Brain Project）則開發(fā)了兩種神經(jīng)形態(tài)硬件系統(tǒng)，它們都有明確的目標：認識腦。

2016年推出的“神經(jīng)形態(tài)混合系統(tǒng)腦啟發(fā)多尺度計算”（BrainScaleS）項目*，^[5]把許多芯片都集成在一個大硅片上，其形狀更像是一只超薄的飛盤而不是指甲。每個晶圓包含384個模擬芯片，它們的工作方式頗像因迪維里的模擬芯片的升級版，這種芯片針對速度而不是低功耗進行了優(yōu)化。每個晶圓都仿真了約20萬個神經(jīng)元和4900萬個突觸。

BrainScaleS是Brain-Inspired Multiscale Computation in Neuromorphic Hybrid Systems的縮寫。

BrainScaleS與歐盟的另一個神經(jīng)形態(tài)系統(tǒng)“脈沖發(fā)放神經(jīng)網(wǎng)絡構(gòu)筑”系統(tǒng)（SpiNNaker）*一起，都得益于作為人腦計劃的理論、實驗和計算神經(jīng)科學家大家庭的一分子。與這一社群的互動將導致發(fā)現(xiàn)可能幫助科學家的新特性，并讓這兩個系統(tǒng)的新發(fā)現(xiàn)迅速回饋到該領域。

SpiNNaker是Spiking Neural Network Architecture的縮寫。

曼徹斯特大學的計算機工程師史蒂夫·弗伯（Steve Furber）在20年前就構(gòu)思了SpiNNaker，為此他已經(jīng)設計了十多年。弗伯表示，在對作為SpiNNaker基礎的小型數(shù)字芯片進行了大約6年的努力之后，他和他的同事們在2011年實現(xiàn)了全部功能。從那時起，他們的研究團隊一直在將芯片組裝成規(guī)模不斷擴大的機器，最終在2018年底建成了有百萬處理器的機器^[6]。弗伯預計，SpiNNaker應該能夠?qū)π∈竽X中的1億個神經(jīng)元進行實時建模，而傳統(tǒng)的超級計算機做起來要慢一千倍左右。

目前，學術(shù)實驗室可以免費使用歐盟人腦計劃系統(tǒng)。神經(jīng)科學家們開始在SpiNNaker硬件上運行自己的程序，以仿真腦特定子系統(tǒng)（如小腦、皮層或基底神經(jīng)節(jié)）中所進行的高級處理。例如，研究人員正試圖仿真一個小的重復結(jié)構(gòu)單元——皮層微柱，微柱是位于腦外層的負責大多數(shù)高級功能的結(jié)構(gòu)單元。弗伯說道：“雖然微柱很小，但它仍然有8萬個神經(jīng)元和25億個突觸，所以要想對此建模并非輕而易舉?！?/span>

他補充說，“接下來，我們開始考慮系統(tǒng)層面的問題，而不僅僅是單個的腦區(qū)?！?strong>我們正逐步接近作為人智能之源的、有850億個神經(jīng)元的器官的全腦模型。

達特茅斯學院的計算神經(jīng)科學家理查德·格蘭杰（Richard Granger）表示，利用神經(jīng)形態(tài)硬件對腦進行建模，可以揭示神經(jīng)計算的基本原理。神經(jīng)科學家可以非常詳細地測量神經(jīng)元的生物物理和化學特性，但很難知道這些特性中究竟是哪些性質(zhì)才真正對腦的計算能力重要。雖然神經(jīng)形態(tài)芯片中使用的材料與人腦中的細胞物質(zhì)完全不同，但使用這種新硬件的模型可以揭示腦如何往返傳送和評估信息的計算原理。

用硅復制簡單的神經(jīng)回路，幫助因迪維里發(fā)現(xiàn)腦在設計上的隱性好處。他曾經(jīng)給過一位博士生一塊神經(jīng)形態(tài)芯片，這塊芯片具有鋒電位的頻率適應性，這是一種讓人習慣于持續(xù)性刺激的機制。由于芯片空間緊張，這位學生決定不要這一特性。然而，當他努力降低對芯片的帶寬和功率要求時，他最終得到了實際上與他所刪除的鋒電位頻率適應相同的東西。因迪維里和他的同事們還發(fā)現(xiàn)，長距離發(fā)送模擬信號的最佳方式并不是，例如說，將其表示為連續(xù)可變的流，而是將其表示為脈沖串或脈沖序列，正像神經(jīng)元所做的一樣。因迪維里說道：“如果你想把功率和帶寬降到最低，神經(jīng)元所使用的原來就是傳輸信號的最佳技術(shù)?！?/span>

神經(jīng)形態(tài)硬件還可以讓研究人員檢驗他們關(guān)于腦功能的理論?？的螤柎髮W計算神經(jīng)科學家托馬斯·克萊蘭（Thomas Cleland）建立了嗅球模型，以闡明嗅覺機制的原理。使用洛以希芯片使他能夠建立足夠快的硬件模型，以模仿生物。當從化學傳感器（作為我們氣味受體的人工版本）獲得數(shù)據(jù)時，系統(tǒng)學會了只要接受一個樣本就能識別氣味，這要優(yōu)于傳統(tǒng)的機器學習方法，并接近嗅覺最靈敏的人。

戴維斯說道：“通過像這樣成功的模仿，并實際展示可以用神經(jīng)形態(tài)芯片做到這一點，這確實證實了你真的搞懂系統(tǒng)了?！?/span>

-Zoe? van Dijk -

克萊蘭的嗅覺模型并不總是如預期的那樣成功，但那些“失敗”的實驗也同樣具有啟示意義。傳感器有時會覺得氣味輸入與模型預測的不同，這可能是因為氣味比預期的要更復雜或更嘈雜，或者是因為溫度或濕度干擾了傳感器。他說道：“輸入會變得有點不穩(wěn)定，我們知道這騙不了我們的鼻子?！毖芯咳藛T發(fā)現(xiàn)，通過關(guān)注氣味輸入中以前被忽視了的“噪音”，嗅覺系統(tǒng)模型可以正確檢測出更多種類的輸入。這一結(jié)果使克萊蘭更新了他的嗅覺模型，研究人員現(xiàn)在可以觀察生物系統(tǒng)，看看它們是否也使用這種以前未知的技術(shù)來識別復雜或嘈雜的氣味。

克萊蘭希望對他的模型進行改進，使模型能以生物實時運行，以分析來自數(shù)百甚至數(shù)千個傳感器的氣味數(shù)據(jù)，而這在非神經(jīng)形態(tài)硬件上運行可能需要幾天時間。他說道：“只要我們能把算法用到神經(jīng)形態(tài)芯片上，那么它就能很好地工作?！薄皩ξ襾碚f，最令人興奮的是當我們真的做了這些改進之后，我們就能夠運行這些16000個傳感器數(shù)據(jù)集，看看算法會變得多么好。”

SpiNNaker、真北和洛以希芯片都能以生物的實際速度運行對神經(jīng)元和腦的仿真，這意味著研究人員可以使用這些芯片來實時識別刺激，如圖像、手勢或聲音，并立即進行處理和作出響應。除了讓克萊蘭的人工鼻處理氣味外，這些能力還可以讓機器人實時感知環(huán)境并做出反應，同時只消耗極少的電力。這比大多數(shù)傳統(tǒng)的計算機有很大的進步。

- Matt Chinworth -

對于某些應用來說，比如建立學習過程的模型可能需要數(shù)周、數(shù)月甚至數(shù)年的時間，如果速度能快一點，就會有所幫助。這就是BrainScaleS的優(yōu)勢所在，它的運行速度大約是生物腦的1000至10000倍。而且這個系統(tǒng)只會越來越先進。它正處于升級到BrainScaleS2的過程中，正在與神經(jīng)科學家密切合作以開發(fā)新版本所用的新處理器。

新系統(tǒng)將能夠更好地模仿學習和化學過程，比如多巴胺對學習的影響，而這些都是其他神經(jīng)形態(tài)系統(tǒng)無法復制的。研究人員表示，它還將能夠建模各種神經(jīng)元、樹突和離子通道，以及結(jié)構(gòu)可塑性的一些特征，如突觸的丟失和生長。也許有一天，該系統(tǒng)甚至能夠接近人的學習和智能。幫助開發(fā)BrainScaleS的海德堡大學生物物理學家約翰內(nèi)斯·舍梅爾（Johannes Schemmel）說道：“理解生物智能，我認為是本世紀迄今為止最大的問題。”