Telegram引流软件（www.tel8.vip）_突破神经科学与AI的鸿沟，类脑计算有可能成为未来智能计算的突破口

Telegram引流软件（www.tel8.vip）是一个Telegram群组分享平台。Telegram引流软件包括Telegram引流软件、telegram群组索引、Telegram群组导航、新加坡telegram群组、telegram中文群组、telegram群组（其他）、Telegram 美国 群组、telegram群组爬虫、电报群 科学上网、小飞机 怎么 加 群、tg群等内容。Telegram引流软件为广大电报用户提供各种电报群组/电报频道/电报机器人导航服务。

,

如何利用新的计算硬件和计算方案来实现大规模并行计算，从而不断提升信息处理速度，是未来计算领域里一个广受关注的议题。

类脑计算的核心在于借鉴生物神经系统的信息处理模式或结构，进而构建相应的计算理论、芯片体系结构以及应用模型与算法，类脑计算被认为是后摩尔时代最为重要的发展方向之一，或有可能成为未来智能计算的突破口。

1、什么是类脑计算

我们总是在说，机器人无论如何都不能成为真正的“人类”，其根本原因在于机器人没有人类的大脑，没有人类的情感，它们只是一堆源代码而已。随着人工智能领域研究不断深入，我们发现人工智能面临两个严重的发展瓶颈：一方面是系统耗能过高，另一方面是对于人脑能轻松胜任的认知任务的处理能力不够。因此，类脑计算应运而生。

类脑计算，是一种模仿神经生理学和生理心理学机制，以计算建模为手段并通过软硬件协同实现的机器智能计算。简单的理解就是类脑计算完成了从“让机器人怎么做”到“教他们自学”的飞跃。

2、类脑计算模型：突破神经科学与AI的鸿沟

当前，神经科学与人工智能之间存在着巨大鸿沟，神经科学侧重于重构大脑内部的精细结构和生理细节，人工智能则侧重于通过对神经结构进行数学抽象以实现计算的高效性。

因此，人工智能和神经科学如何交叉融合成为一个艰巨挑战。类脑计算中，脉冲神经网络兼具了生物合理性和计算高效性，或可以为人工智能提供新范式。简单地，可以认为SNN = ANN + Neuronal Dynamics。如何寻找兼具生物合理性与计算高效性的脉冲神经元模型，以及如何建立脉冲神经元模型与AI任务之间的关系是类脑计算领域的核心问题。

当前，SNN普遍采用LIF神经元作为构建神经网络的基础单元。原因在于，LIF神经元是一种典型的综合模型，既具备IF模型的简单易用性，又能像H-H神经元模型那样模拟生物神经元丰富的生理学特性。

众所周知，ANN和SNN各具特点，互有所长。ANN能够充分利用现有计算机的计算特性，以神经元状态表示信息，在空间域传递信息，主要操作为密集矩阵向量乘法，相比之下，SNN采用脉冲序列表示信息，在空间域和时间域两个维度传递信息，主要操作为事件驱动的稀疏加法，兼具计算高效性和生物可信性。

3、类脑计算的研究成果

类脑计算的研究大致可以分为神经科学的研究（特别是大脑信息处理基本原理的研究），类脑计算硬件的研究和类脑处理算法的研究三方面。而基于这三个方面，类脑智能计算的未来发展重点有机器学习、类脑智能机器人、神经形态硬件等方向。我们常常说的基于神经网络的机器学习就是一种类脑计算的技术；而英国曼彻斯特大学的SpiNNaker芯片、IBM公司的TrueNorth芯片、德国海德堡大学的BrainScaleS芯片以及清华大学的“天机芯”都是神经形态硬件的研究成果。

中国类脑计算的研究成果

我国的类脑智能研究水平处于国际前沿。2016年，“脑科学与类脑科学研究”（简称“中国脑计划”）被作为连接脑科学和信息科学的桥梁正式提出。此外，多所高校也积极参与类脑计算的研究。其中，中科院开发的类脑认知引擎平台能够模仿哺乳动物的大脑，实现多感觉融合、决策等多种功能。

4、类脑计算软件

类脑计算软件框架与工具通常包括神经形态芯片工具链、神经系统仿真模拟和SNN学习框架等三个方面的内容，具体可参考清华大学张悠慧教授在IEEE Transactions on High Performance Computing的综述论文观点。

神经形态芯片工具链目前尚处于早期阶段，存在软件与硬件紧密耦合，通用性、自动化程度不高，使用便捷性差等许多问题。神经系统软件仿真框架能够详细模拟生物神经网络，但要求用户具有一定的计算神经科学基础。

现有的仿真工具软件框架通常用C语言开发，缺乏跨平台能力，也缺乏对各种后端硬件的深度优化的支持。并且，这些软件通常为CPU和GPU等商业硬件而设计，并不支持不同类型的神经形态芯片。

SNN学习框架的目标是，将深度学习框架开发的便利性与SNN的特点相结合，充分利用深度学习领域的各种资源，对SNN网络训练进行加速，相关工作基本处于前期并且不够稳定，更无法适应不同的软件和硬件接口，即使基于GPU架构开发也难以充分利用SNN本身的特性进行加速。

中国科学家研制出新型类脑计算芯片

2019年，我国科学家研制成功面向人工通用智能的新型类脑计算芯片——“天机芯”芯片，而且成功在无人驾驶自行车上进行了实验。清华大学类脑计算研究中心施路平教授团队的相关论文《面向人工通用智能的异构“天机芯”芯片架构》，8月1日在国际期刊《自然》杂志以封面文章的形式发表。

5、类脑系统发展趋势

在模型算法方面，不仅可以通过增加模型参数、网络深度或宽度使得SNN模型变大变强，更重要的提供向内增加神经元复杂程度的能力支撑，缩减神经科学与人工智能之间存在的鸿沟。因此，构造包含更丰富动力学的神经元模型、神经网络及对应的算法是未来的重要方向。

在类脑软件方面，如何提升SNN的研究生态是未来发展的必经之路，重要的方向包括神经形态工具链的软硬件去耦合、SNN训练加速框架、及高效的神经系统仿真和模拟等。在类脑数据方面，如何构建具备稀疏事件特征、具备丰富的时间尺度/空间尺度特征的大规模多模态混合数据集十分重要。

在类脑芯片方面，主要关注神经形态芯片如何进行更高效的感知、存储和计算，如何构建融合感存算一体化的计算系统。研究更高效的芯片架构、研制更具有类脑元素的芯片功能也是未来发展的重要方向。芯片架构上可以探索类脑芯片的分层存储体系、高效在线学习架构及其与其它硬件平台的高效兼容能力；芯片功能上可以探索如何融入更多的算子支持比如微分方程、线性方程求解，以及如何在算子层面上支持更类脑的神经元模型和网络结构等。

文章来源：科技日报，网信河北，智源社区

注：文章内的所有配图皆为网络转载图片，侵权即删！