什么是类脑计算？

创新，是为了解决或改进最先进技术局限而不断探索新的科学方法。如果我们关注当下的人工智能（AI），它极其强大，能够完成几年前还看似不可能的事情。然而，其中许多系统效率低下且资源消耗巨大。

正如我们在另一篇关于可持续 AI的文章中所解释的，训练和运行现代 AI 系统需要巨量的电力、水和其他资源，导致其环境足迹迅速增长。在这种背景下，AI 的未来取决于能源突破这一观点并不令人意外——这正是 ChatGPT 及其他成功生成式 AI 模型背后的公司 OpenAI 的首席执行官 Sam Altman 的看法。

不过，在我们等待（清洁）能源新来源姗姗来临的同时，研究人员正通过新颖且更高效的计算方法，寻找降低当前 AI 技术能耗的新路径。

这正是类脑计算发挥作用的地方。类脑计算是一种受人脑结构与功能启发的计算方法。它带来了一种范式转变，通过模拟大脑中的神经元与突触的结构和功能来处理信息。其目标是打造在能力与效率上超越当今深度学习模型的新型 AI 系统。

本文将为您介绍入门类脑计算这一激动人心且前景广阔领域所需的一切基础知识。我们将涵盖这一计算范式的基本概念、主要应用，以及其优势与挑战。

什么是类脑计算？

类脑计算是一种革命性的硬件与软件设计方法，模拟人脑的工作方式，为运行先进 AI 系统提供比传统计算更高效、更可持续的替代方案。

过去数十年间，计算机能力持续提升。从简单计算器到利用 AI 和机器学习强大能力、以前所未有的准确度预测各种事件并生成内容（例如 ChatGPT）的复杂系统，计算机的发展讲述了现代社会与我们走到今天的故事。

然而，现代计算机正逐渐触及自身极限。随着 AI 的兴起，现有的计算方式在效率、速度与能耗方面暴露出不足。要让 AI 系统无处不在，所需的资源量可谓惊人，从环境层面看也难以承受。

类脑计算试图解决当前机器的这些限制。尽管“类脑计算”这一术语并不新（可追溯至 20 世纪 80 年代，当时研究人员 Misha Mahowald 与 Carver Mead 开发了首个硅视网膜与耳蜗，以及开创类脑计算范式的首批硅神经元与突触），但它正迅速升温。

它主张对硬件与软件的构思与开发方式来一次彻底重构。目标是设计出能够仿真人脑与神经系统的计算机组件。

类脑计算如何工作？

要理解类脑计算的工作原理，我们首先需要了解人脑如何工作。

简单来说，神经元与突触承担着处理与存储的功能。它们以近乎瞬时且几乎零能耗的方式在大脑中发送和传递信息。这也解释了为什么我们能快速分辨猫和狗，或在看到行人横穿马路时立刻刹车。

我们之所以能出色应对复杂现实，关键在于处理与记忆功能发生在同一处。这与传统计算机根本不同，后者将存储与处理单元分离。

这种设计在处理复杂运算（例如预测明天是否会下雨）时非常有效，但在某些对人类而言轻而易举的任务上（如图像识别、推理或行走）却远非理想。

类脑计算的革命性之处在于，它承诺将这些任务在一枚专为运行所谓脉冲神经网络（SNN）的芯片上完成。SNN 是由脉冲神经元与突触构成的一类人工神经网络。想进一步了解什么是神经网络，请参阅我们的专文。

SNN 与常规神经网络不同，因为它们不再需要在内存（RAM）与处理单元（CPU 或 GPU）之间来回搬运数据。它们还是事件驱动型的，意味着只有在相关事件发生时才处理信息（基于以阈值激活神经元的脉冲机制）。

因此，SNN 能加快处理速度并降低能耗。这种时延方面的提升尤为关键，特别是在依赖实时传感器数据的任务上，例如自动驾驶汽车的摄像头。

类脑计算的应用

类脑计算有望引发一场对产业影响深远的革命。如果其前所未有的效率提升得以兑现并走向主流，类脑计算将成为众多应用的“游戏规则改变者”，加速其开发与落地。

下面列出一些最具吸引力、可从类脑计算中受益的应用领域。

人工智能与机器学习

AI 是我们开发出的最具颠覆性与变革性的技术之一。AI 的用途几乎无穷无尽，但正如我们已提到的，现有计算机并不足以充分释放 AI 的潜力。

令人欣慰的是，类脑计算提供了一种创新的计算方式，已被证明特别适合那些需要能效高、并行处理与可适应性的任务与问题，例如模式识别与感知处理。比如，类脑机器学习已用于识别自然语言中的模式，或用于人脸识别。

自动驾驶车辆

在需要感知处理的应用中，类脑计算或许能带来颠覆性变化的一个典型例子就是自动驾驶汽车。自动驾驶汽车制造商使用多台摄像头与智能传感器从环境中获取图像，使其能够识别物体、车道线与交通标志，从而安全行驶。

凭借高性能与低时延，类脑计算机可帮助提升自动驾驶车辆的导航能力，实现更迅速、更准确的决策，这对于将潜在事故降到最低至关重要，同时还能显著降低能耗。最终，这将延长汽车的电池续航。

若您对自动驾驶的技术细节感兴趣，以下是一个 DataCamp 项目，帮助您入门：用深度学习检测交通标志。

机器人

与自动驾驶类似，类脑计算被视为将机器人技术带入新发展阶段的关键技术。搭载类脑传感器的新型机器人，或将更好地应对该领域的经典挑战，例如在电池受限的现实场景中，如何实现实时学习与决策。

想了解机器如何与环境互动？阅读这篇文章，进一步认识机器感知与智能传感器。

边缘计算

大多数先进的 AI 系统往往依赖远程云服务器来承担重负。这种方式对于需要快速响应的应用（如自动驾驶）或运行在资源受限设备上的应用可能并不理想。边缘计算尝试将 AI 能力直接带到设备端。

类脑计算的进步很可能会重塑边缘计算。得益于类脑芯片的低功耗，智能手机和各类智能可穿戴设备——这些通常续航较短的设备——将能够执行许多此前耗能巨大的新任务。

类脑计算的优势

以下是 PwC 近期将类脑计算列为八大关键新兴技术之一的一些重要原因。

能效优势

类脑计算或将成为智能计算新阶段的基石。新型硬件与软件组件将带来数据处理与功耗层面的双重效率提升。这些改进将帮助企业降低运营成本，开发更快速、更准确的 AI 系统，并有望减少其碳足迹。

并行处理

并行处理是指将一个计算任务拆解为多个更小的任务分配到多台服务器上，同时更快地完成。SNN 的特性使其特别适合需要并行处理的任务，例如模式识别。

实时学习与适应性

基于 SNN 的类脑计算机擅长实时学习与适应。这种灵活性与多样性对于需要持续学习和快速决策的 AI 应用（如机器人或自动驾驶车辆）至关重要。

挑战与局限

尽管类脑计算的优势明显，但该技术仍相对初期，距离走向大众化还有距离。以下是前方的一些挑战。

缺乏标准

尽管类脑项目在不断增多，但多数仍在资金雄厚的研究实验室与高校内部进行。这表明技术尚未做好大规模进入市场的准备。硬件与软件标准仍然匮乏，没有标准，规模化几乎无从谈起。

可及性有限

标准的缺失在本质上意味着我们仍然缺少为类脑计算机的组件与属性命名和描述的通用语言。这也解释了为何全球仅有少数专家熟悉类脑计算。正如埃森哲实验室副主任 Andreea Danielescu 所言：