大數據讓傳統計算機架構捉襟見肘，真實憶阻器的發現改變了這一局面。其元件特性適合模擬神經元突觸的部分運作，使得電腦神經網絡制作上更能接近人腦。目前，一些科技巨頭、創業和研究機構已在探索利用憶阻器強化計算機學習能力甚至取代普通晶體管計算機的路徑。

我們可以談論人工智能掌握一些人類本領，比如開車或者玩撲克。但是，當需要讓海量、無序信息變得有意義時，人類還無法打造一個哪怕是接近大腦的 AI。部分原因在于大腦未解之謎，以及已有半世紀歷史的計算機架構，制約了這一目標的實現。

如今，一種新的計算范式為突破瓶頸帶來曙光。這種激進方案使用了一種同時存儲、處理信息的硬件，與大腦神經元網絡的差別不是很大。充分發揮這一新范式的潛力，我們就能創造出可以實時分析數據流、識別模式，或許還能獨立自學的機器心智（mind）。

大數據時代，馮·諾依曼架構捉襟見肘

筆記本，智能手機，平板電腦，只要你說上來的，幾乎都遵循著馮·諾依曼結構。70 多年前，他主張計算機處理器與存儲單元應該彼此獨立。聽起來不像是什么偉大的提議，但這意味著每運行一個新程序，沒必要再重新連接計算機。這種勞動分工的設計很湊效，人類制造出更快的計算機，辦法就是串聯處理器與內存。

但是，這一架構也有短處。

處理器需要數據信息，必須先從存儲單元讀取。這就要求電子在兩個元件之間穿梭，因此，處理器經常覺得很無聊，因為要等數據。你的筆記本為什么會有「多核」，這就是其中一個原因；多個處理器單元——每一個都與內存連接——意味著，它們可以同時請求數據，從整體上加快計算。

如今，這一局限性真的開始妨礙到人類進步。

數據比以往任何時候都要多，特別是「大數據」革命正在臨近。我們已經可以瞥見未來的樣子：預測心臟病，數據預測分析比傳統醫學方法更快、更準。英國諾丁漢大學研究人員設計了一種算法，可以處理近 400，000 病人的電子病歷，多么龐大的數據分析任務。隨著物聯網范圍延伸到我們身邊的日常事物，從交通燈到冰箱，機器會為我們提供更多的生活洞見。

應用得當，前景無限。然而，如此龐大的數據量已經讓計算機過熱。美國能源部的一份報告顯示，世界 5% 到 15% 的能源都被用于計算，許多浪費在了數據的傳輸中。這正是我們需要突破馮·諾依曼瓶頸的原因。

人們為此進行了許多嘗試。上世紀 80 年代，科學家開始考慮利用光子而不是電子來編譯信息。因為光子在光纖中的傳播速度更快，所需傳播時間更少。其他人想要堅持使用電子，不過希望將電子編碼進量子力學特性（自旋）中，讓電子攜帶更多信息。但是，到目前為止，這些辦法都沒有很大進展，主要原因在于實施起來很復雜，以至于投入產出不成比例。

總而言之，多年來，這個問題一直挑戰著人類智慧，之所以很諷刺，是因為大腦本身就是一臺超級計算機，但所需能耗與一只 20 瓦的電燈泡差不多。它們不會存在類似馮·諾依曼結構的瓶頸，因為同一個神經網絡既可以存儲信息還可以處理信息。

大腦三大關鍵特征與傳統模擬方法的弊病

那么，如何模擬人類神經網絡呢？這也是麻煩所在。我們不可能完全知曉大腦如何工作，不過，至少要模擬大腦的三個關鍵特征。

首先，大腦由大量的神經元以及神經元之間的突觸組成。其次，這些連接具有突觸彈性，也就是說它們可強可弱。學習，其實就是強化某組神經元之間連接。

第三個特征，脈沖時間相關的突觸可塑性 （spike-time-dependent plasticity）。相對前兩個特征，這個特征沒有得到很好的理解。該特征表明，如果兩個神經元幾乎同時放電，那么，神經元就會被加強；如果放電不同步，就會變弱。經過這一漫長過程，協同工作的神經元的關系會得到加強，以傳遞信息，不重要的聯系會被削弱。這就是大腦獨立學習的重要手段。綠燈時，你會立刻反應到「可以走了」，因為經過多年訓練，相關神經元之間的聯系得到了強化。

事實上，長期以來，我們一直在試圖模仿大腦計算方式。這個研究領域被稱之為神經形態計算，如今已取得一些進步。

最早突破之一，來自研究人員 Frank Rosenblatt。1958 年，他將研究成果 Mark 1 感知機公布于眾。Rosenblatt 對著機器的攝像頭展示了圓圈或三角型卡片，讓機器進行識別，他來修正錯誤。50 次嘗試之內，機器已經學會輸入代表圓圈或者三角的信號。

不過，當時的電子工程技術限制了感知機的發展。但是，情況已今非昔比。谷歌的 DeepMind 神經網絡的成績令人驚呼，比如去年 AlphaGo 戰勝頂尖人類圍棋手。

TMark 1 感知機

然而，DeepMind 神經網絡完全是軟件層面的模擬，在標準硅電子元件上運行。所以，盡管和神經元網絡學習方式類似，但并未突破馮·諾依曼結構瓶頸。

2014 年問世的 IBM TrueNorth 芯片走的更遠。該芯片有 55 億個硅晶體管，按照人腦 100 萬個「神經元」的結構進行排列。有了這枚芯片，手機可以實時識別視頻物體，比如汽車還是自行車，但是所需電量很少，僅為手機睡眠模式所需量。聽起來很贊，但是，如果將規模擴展到大腦神經元級別，其能耗將是人腦能耗的 1 萬倍。「這個辦法實際上是一種浪費。」瑞士蘇黎世大學神經形態工程師 Giacomo Indiveri 說。

簡言之，盡管想方設法模仿大腦某些特征，但是，我們從來未曾實現將這三大特征集中在一個物理系統上。比如，TrueNorth 芯片擁有許多高度連接的「神經元」，但是，如果不借助軟件，根本無法調節連接強度。

憶阻器，機器獨立學習的未來

失敗要歸結于這樣一個事實：傳統電子產品還沒能力真去模擬神經突觸。但現在，我們有辦法了，這要感謝半個世紀前的思想。

1971 年，加州大學伯克利分校的電子工程師 Leon Chua 正在看一道連接基本電路元件的方程式，這些元件包括電阻、電容和電感。他突然注意到，可以用另外一種方式安排這些術語，結果得到一個關于第四個元件的方程式，這第四個元件的抗阻性會根據電流情況發生變化。Chua 將之稱為「憶阻器」，因為它的阻抗性似乎展示出一種記憶能力。但當時并沒有以這種原理工作的材料或者設備，人們幾乎忘記了這個發現。

約十年前，惠普公司的一個由 Stan Williams 帶領的團隊正在研究一種新型內存，與臺式電腦不同，在關掉電源后，新內存仍然保留數據。研究人員研究著使用了極薄鈦膜的設備，他們發現其阻抗性會隨著經過電流而發生奇怪的變化。最終，他們意識到薄膜中活動的不僅僅是電子，也有原子，它們以微妙的方式反轉變化了材料結構及其抗阻性。易言之，這個團隊無意間創造出 Chua 憶阻器。

Williams 的研究有助于解釋以前為什么從未發現過憶阻性；因為只能在微觀尺度上自證存在。如今，人們相繼發現一系列可充當憶阻器的物質，包括一些聚合物。

真實憶阻器的出現鼓舞了研究人員，原因有幾個，比如有可能開發出新的計算方式，其技術更成熟、所用語言也比現在的更有效。

但不久后，有人動真格了。

緊跟 Williams 的發現，密歇根大學的工程師 Wei Lu 邁出關鍵一步。他向人們展現了這一事實：憶阻器可充當具有彈性的突觸。他拿出了一個由幾層薄硅打造的設備（其中一層帶有少量銀離子），它可以模擬上述大腦的第二個特征。后來，Lu 展示憶阻器也可以模擬大腦的第三個特征；應用電脈沖確切時點不同（exact timing of applied electrical spikes），憶阻器做成的突觸也會有強弱變化。

這項研究表明，「對于神經形態工程學來說，這真是激動人心的時刻，」Indiveri 說。「目前應該放棄硅晶體管，」荷蘭格羅寧根大學物理學家 Beatriz Noheda 說，聚焦研發成熟的、使用憶阻器的神經網絡。

看起來，這只是擴展 Lu 研究成果的一個簡單案例。盡管他的研究只有一個單獨的突觸（帶有一個輸入和輸出神經元），但是，結果已經表明憶阻器可以實現三大重要大腦功能。接下來的研究會考慮搭建多層憶阻器神經元網絡；每增加一層，網絡就能進行更加復雜的「思考」。

沒那么快，位于加州的 IBM Almaden 研究實驗室的 Geoffrey Burr 說。他說，Lu 所證實的脈沖時間依存的可塑性，只是在小規模上可行，但是，神經科學家并不確定在人腦大規模學習上表現如何。「在某種程度上，肯定會發生，」他說，「但是，我們還搞不清狀況。」也就是說，部署在大型人工神經網絡，并不意味著可以帶來近似大腦的計算能力。

Burr 更喜歡堅持沒有脈沖時間依存的可塑性的網絡。他使用的一個網絡類似驅動 DeepMind 的神經網絡，軟件控制著彈性突觸。但是，通過在憶阻器上運行這些網絡（而不是晶體管），他能夠節省很多能源。

2014 年，Burr 搭建了一個這樣的網絡，用了差不多 165000 個突觸。經過手寫書信數據集訓練后，該網絡能夠準確識別這些手寫書信。Burr 的憶阻器由一種硫系玻璃（a chalcogenide glass）制成，這種材料能夠在原子有序或無序的兩相之間來回切換，改變材料導性。這種相變憶阻器正變得越來越可靠，芯片制造商們，比如英特爾開始出售使用憶阻器的內存設備。

其他人認為，憶阻器可以幫助實現完全獨立學習的機器。

英國南安普頓大學納米電子學研究人員 Themis Prodromakis 就是其中一員。去年，他搭建了一個神經網絡，有四個輸入，兩個輸出神經元，用憶阻器突觸將它們連接起來。他可以輸入電子信號，比如「1001」或「0110」，這與 20 世紀 50 年代向感知機展示圓圈或三角形類似。不過，感知機需要人類告訴機器有沒有猜對圖形形狀，但 Prodromakis 的網絡完全自學，看到 1001 就發送（fire off）一個輸出神經元，看到 0110 就發送另外一個。即使是帶有噪音的信號輸入，它也能正常運行。鑒于真實生活數據充滿噪音，這是一個非常重要的優勢。

最后，我們似乎正利用憶阻器重新創造大腦真實狀態（比如，當你望向窗外時）的精華部分：不存在瓶頸的獨立學習。

適當加以擴展，這類自我學習系統就能實時篩查數據，比如，監測自動駕駛汽車行為、橋梁完整性或者核電站，對龐大數據存儲中心（比如，為社交網絡存儲數據的中心）的需求也會減少。由于需要冷卻，這些中心有時會建在北極附近。但是，如果憶阻器網絡能夠實時解析數據，那么，可能就不需要存儲數據。

由憶阻器制成的電腦還有一個潛在的優勢：因為運行原理類似大腦，因此，與人類連接或許會更容易些。現在已有一些使用硅芯片的設備，它們可以獲取大腦運動進而將其轉交給現實世界的東西，比如，癱瘓人控制體外骨骼，或者在睡夢中控制電腦。

但是，挑戰依然不少。大腦神經元行為極為復雜，現有的神經接口很難處理所有那樣的信息。「要電子元件處理如此豐富、高寬帶的數據，會讓它不堪重負。」Prodromakis 說道。憶阻器，是一個完美解決方案，因為它們只記錄表現脈沖顯著的信號，忽略嘈雜的背景。這讓 Prodromakis 興奮不已，最近，他開始與 Galvani Bioelectronics 合作研發基于憶阻器的神經接口。Galvani Bioelectronics，一家去年成立的英國公司，源自 GlaxoSmithKline 和谷歌子公司一個 5.4 億英鎊合作項目。

困擾憶阻器網絡的最大問題之一，是能否高效量產。運行良好的工廠可量產硅芯片，但也同樣適用于憶阻器嗎？

想找到答案，首先需要挑選最佳制造原料。Noheda 已在 Groningen 建立了一個研究中心從事這方面的研究。如果她和其他憶阻器先驅們獲得成功，那么，未來計算機可能會由那些四十年來、我們一度認為不存在的材料打造而成。