據(jù)悉，AI領域的大咖都在關注搞類腦芯片的研究，相比于傳統(tǒng)芯片，類腦芯片的確在功耗上具有絕對優(yōu)勢，研究員試圖通過模擬人腦運轉機制，使機器超越人腦。據(jù)報道隨著技術的進步，顛覆傳統(tǒng)架構的類腦芯片已為芯片行業(yè)開啟了一扇新的大門。

最近，在AI領域無論是學術界的大咖還是行業(yè)的大佬，都在如火如荼的搞類腦芯片的研究，當然也取得了不少成果。日前，斯坦福大學研究院電子與微系統(tǒng)技術實驗室的Jeehwan Kim教授在《自然》雜志上發(fā)表了一篇論文，一時間引來了產學研三界的關注。原因是Jeehwan Kim教授與研究員們使用一種稱為硅鍺的材料研發(fā)了一款人工突觸芯片，可支持識別手寫字體的機器學習算法。無獨有偶，近日中國科學院自動化研究所類腦智能研究中心類腦信息處理（BRAVE）研究組也在借鑒生物神經結構的神經網(wǎng)絡建模與類人學習研究中取得了突破性的研究。

從計算機誕生起，人們就不斷要求它的計算能力提升，隨著芯片集成性越來越高，CPU與內存之間的性能差距越來越大?；隈T諾依曼結構的計算機結構呈現(xiàn)的缺點也愈加明顯，也有人稱這為內存墻，意思是說CPU再快，也要等內存。相比之下，人腦卻沒有此類問題出現(xiàn)，據(jù)研究表明，人類大腦平均每秒可執(zhí)行 1 億億次操作，所需能量只有 10～25 瓦特。因而研究員們正轉向模擬人類大腦研究，試圖通過模擬人腦運轉機制，使計算機能低能耗高功效地進行計算，甚至使計算機優(yōu)于類人的智能。

國內外有許多公司和機構正在類腦芯片研發(fā)上投入大量精力，美國在此項研究上開始較早，2014年IBM就推出了業(yè)內首款類腦芯片TrueNorth。國內最近幾年在芯片研發(fā)上也不甘示弱，也有西井科技這樣的初創(chuàng)公司投身到類腦芯片的研發(fā)中來，清華等知名高校也紛紛建立類腦研究中心。

相比于傳統(tǒng)芯片，類腦芯片的確在功耗上具有絕對優(yōu)勢，拿英特爾在本次CES上展出的自我學習芯片Loihi來說，不僅其學習效率比其他智能芯片高100萬倍，而且在完成同一個任務所消耗的能源比傳統(tǒng)芯片節(jié)省近1000倍。類腦芯片的集成度也非常高，拿浙大推出的“達爾文”芯片來說，其面積為25平方毫米，也就是說邊長只有0.5厘米，但內部卻能包含500萬個晶體管。隨著行業(yè)對計算力要求越來越高，馮氏瓶頸將越來越明顯，顛覆傳統(tǒng)架構的類腦芯片已為芯片行業(yè)開啟了一扇新的大門。

現(xiàn)代計算機基本都基于馮·諾依曼結構，它將程序和處理該程序的數(shù)據(jù)用同樣的方式分別存儲在兩個區(qū)域，一個稱為指令集，一個稱為數(shù)據(jù)集。計算機每次進行運算時需要在CPU和內存這兩個區(qū)域往復調用，因而在雙方之間產生數(shù)據(jù)流量。而隨著深度學習算法的出現(xiàn)，對芯片計算力的要求不斷提高，馮·諾伊曼瓶頸遇見明顯：當CPU需要在巨大的資料上執(zhí)行一些簡單指令時，資料流量將嚴重降低整體效率，CPU將會在資料輸入或輸出時閑置。

不僅如此，傳統(tǒng)芯片還存在一個大問題就是效率低。芯片在工作時，大部分的電能將轉化為熱能，一個不帶散熱器的計算機，其CPU產生的熱量就可在短時間內將其自身融化。其他的智能化設備，也因芯片復雜耗能太高，導致續(xù)航能力差，不管如何改善工藝，高溫和漏電都是難以避免的問題。

為了解決CPU在大量數(shù)據(jù)運算效率低能耗高的問題，目前有兩種發(fā)展路線：一是延用傳統(tǒng)馮諾依曼架構，主要以3中類型芯片為代表：GPU、FPGA、ASIC；二是采用人腦神經元結構設計芯片來提升計算能力，已完全擬人化為目標，追求在芯片架構上不斷逼近人腦，這類芯片被稱為類腦芯片。

人腦神經元在接受到刺激后，其細胞膜內外帶電離子分布將發(fā)生變化，因而形成電位差，電位差將沿著神經細胞軸突、樹突雙向傳導，形成脈沖電流。而當該電信號傳遞到突觸時，突觸前神經元將釋放神經遞質（如多巴胺、腎上腺素）由突觸后神經元接受神經遞質產生興奮（該過程單向傳遞），并向下傳遞作用與人體反應器并發(fā)生反應。

類腦芯片架構就是模擬人腦的神經突觸傳遞結構。眾多的處理器類似于神經元，通訊系統(tǒng)類似于神經纖維，每個神經元的計算都是在本地進行的，從整體上看神經元們分布式進行工作的，也就是說整體任務進行了分工，每個神經元只負責一部分計算。在處理海量數(shù)據(jù)上這種方式優(yōu)勢明顯，并且功耗比傳統(tǒng)芯片更低。比如IBM的TrueNorth芯片每平方厘米功耗消耗僅為20毫瓦。