研究人员提出了一项极具胆识的策略，致力于拓展神经形态计算领域，其核心目标是以尽可能低的能量消耗，实现与人类大脑功能相匹敌的效果。
这一策略涵盖多个关键方面，其中包括研发先进的神经形态芯片以及积极培育强大的产学研合作关系。通过不断提升效率和能力，该策略有望为人工智能和医疗保健领域带来变革性的影响。
扩大神经形态计算规模
神经形态计算（Neuromorphic computing）借助神经科学原理来构建如同人脑一般运行的计算机系统。然而，若要与传统计算方法展开竞争，就必须实现规模化发展。1月22日发表于《自然》杂志的一篇综述，详细阐述了达成这一目标的具体路线图。这篇由23名研究人员共同撰写的论文，其中包含两名来自加州大学圣地亚哥分校的研究人员，为开发与大脑认知能力相当且在大小和功率效率上相似的计算系统提供了切实可行的见解。
作者指出：“我们并不期望在大规模神经形态系统中出现一种适用于所有情况的通用解决方案，而是要根据不同的应用需求，开发一系列具备不同特性的神经形态硬件解决方案。”
潜在的应用与优势
神经形态计算的应用领域极为广泛，涵盖了科学计算、人工智能、增强现实、虚拟现实、可穿戴设备、智能农业以及智能城市等多个方面。相较于传统计算机，神经形态芯片在能源利用、空间占用以及性能表现等方面均展现出巨大的潜力。这无疑将在众多领域带来显著的优势，特别是在人工智能、医疗保健和机器人等领域。据预测，到2026年，人工智能的用电量将翻倍增长，而神经形态计算（neuromorphic computing）则成为一种极具前景的解决方案。
加州大学圣地亚哥分校生物工程系的杰出教授、该论文的合著者之一格特·考文伯格（Gert Cauwenberghs）表示：“神经形态计算在当下尤为关键，因为我们正目睹着那些面临能源和资源短缺难题的人工智能系统，其规模难以维持。”
构建全新架构
神经形态计算目前正处于一个至关重要的发展节点，正如德克萨斯大学圣安东尼奥分校Robert F. McDermott特约主席、该论文的通讯作者迪蕾莎·库迪蒂普迪（Dhireesha Kudithipudi）所说：“我们现在迎来了一个绝佳的机遇，能够建立全新的架构和开放框架，并且将这些成果应用于商业应用程序的开发中。”“我坚信，加强产业界与学术界之间的紧密合作，是塑造该领域未来的关键所在。这种合作精神在我们的共同作者团队中得到了充分体现。”
去年，考文伯格和库迪蒂普迪从国家科学基金会获得了400万美元的资助，用于启动THOR: the Neuromorphic Commons项目。这是首个同类研究网络，它提供开放的神经形态计算硬件和工具，旨在支持跨学科和协作研究。
NeuRRAM芯片的发展历程
2022年，由考文伯格领导的团队所设计的神经形态芯片表明，这些芯片具有高度的动态性和多用途特性，同时不会对准确性和效率造成影响。NeuRRAM芯片能够在内存中直接进行计算，可运行各种各样的人工智能应用程序，而且仅需消耗通用人工智能计算平台极少部分的能量。考文伯格称：“我们在《自然》杂志上发表的评论文章，为神经形态人工智能系统在硅和新兴芯片技术中的进一步拓展提供了一个独特的视角，使其能够朝着接近哺乳动物大脑中大规模且高效的自我学习能力迈进。”
为了推动神经形态计算实现规模化发展，作者提出了几个需要优化的关键特征，其中就包括人类大脑所具备的定义性特征——稀疏性。大脑的发育过程是通过大量形成神经连接（即致密化过程），随后有选择性地修剪掉其中的大部分连接来实现的。这种策略在优化空间效率的同时，还能高保真地保留信息。如果能够成功模拟这一特征，将使神经形态系统在节能和紧凑性方面得到显著提升。
未来发展方向与合作潜力
考文伯格表示：“可扩展性和卓越的效率源于神经表征中的大规模并行性和分层结构。具体而言，就是将模拟大脑灰质的神经突触核心中的密集局部突触连接，与模拟大脑白质的神经通信核心中的稀疏全局连接相结合，并通过高带宽可重构的芯片互连和分层结构的芯片互连来加以促进。”
Amitava Majumdar说：“这篇论文展示了神经形态计算在现实生活中大规模应用的巨大潜力。在圣地亚哥超级计算机中心，我们为国家用户社区带来了全新的计算架构，这项合作工作为向国家用户社区提供神经形态资源奠定了基础。”他是加州大学圣地亚哥校区SDSC数据支持科学计算部门的主任，也是该论文的合著者之一。
强化可及性与协作
这组作者还着重强调了加强学术界内部以及学术界与产业界之间合作的重要性。他们倡导开发更为用户友好的编程语言，以便让该领域更加易于被大众所接触和使用。他们坚信，这些努力将有助于鼓励更多跨学科以及全行业的合作。
