當蘋果首席執行官蒂姆庫克推出 iPhone X 時，他聲稱它將“為未來十年的技術鋪平道路”。雖然現在下結論還為時過早，但用于人臉識別的神經引擎是同類產品中的第一個。如今，深度神經網絡已成為現實，神經形態似乎是在人工智能領域取得持續進步的唯一實用途徑。

Yole Développement（法國里昂）最近發表的一份報告稱，面對數據帶寬限制和不斷增長的計算需求，傳感和計算必須通過模仿神經生物學架構來重塑自我。

Yole 成像首席分析師 Pierre Cambou在接受EE Times采訪時解釋說，神經形態傳感和計算可以解決人工智能當前的大部分問題，同時在未來幾十年開辟新的應用前景。“神經形態工程是仿生學的下一步，推動了人工智能的發展。”

為什么現在？

距離數學家艾倫·圖靈提出“機器能思考嗎？”這個問題已經過去了 70 年，距離加州理工學院的電氣工程師卡弗·米德 (Carver Mead) 提出神經形態工程的概念已經過去了 30 年。然而，在接下來的十年中，研究人員在制造具有類腦學習和適應能力的機器方面幾乎沒有取得實際成功。當 2006 年喬治亞理工學院展示其現場可編程神經陣列時，希望重新燃起，麻省理工學院的研究人員在 2011 年推出了一種模擬大腦神經元如何適應新信息的計算機芯片。

轉折點是多倫多大學的一組科學家發表了論文“ImageNet Classification with Deep Convolutional Neural Networks”。AlexNet 架構由一個 8 層卷積神經網絡組成，可以將 ImageNet 競賽中的 120 萬張高分辨率圖像分類為 1000 個類別之一（例如貓、狗）。“只有隨著 AlexNet 的發展，深度學習方法被證明更強大，并開始在人工智能領域獲得動力。”

皮埃爾·坎布

當前大多數深度學習實現技術都依賴于摩爾定律，并且“效果很好”。但是，隨著深度學習的發展，對能夠執行高計算任務的芯片的需求將越來越多。摩爾定律最近一直在放緩，并導致包括 Yole Développement 在內的許多業內人士相信它無法維持深度學習的進步。Cambou 是相信深度學習如果繼續以今天的方式實施“將會失敗”的人之一。

為了解釋他的觀點，Cambou 列舉了三個主要障礙。首先是摩爾定律的經濟學。“很少有玩家能夠玩，我們最終將在世界上擁有一兩家超過 7nm 的晶圓廠。我們認為，只有谷歌才能做某事，這對創新是不利的。”

其次，數據負載的增長速度超過了摩爾定律，數據溢出使當前的存儲技術成為限制因素。第三，計算能力需求的指數級增長為每個應用程序創建了一個熱墻。“使用 7nm 芯片，我們的效率大約為每瓦 1 teraflop。要為 Waymo 供電，我們可能需要 1 千瓦，這意味著我們需要 1000 teraflops，”Cambou 說。當前的技術范式無法兌現承諾，解決方案可能是在神經形態硬件上應用深度學習并利用更好的能源效率。

從更廣泛的角度審視當前情況，Cambou 表示現在是采用顛覆性方法的時候了，該方法利用新興內存技術帶來的好處并提高數據帶寬和功率效率。這就是神經形態方法。“人工智能的故事將繼續向前發展，我們相信下一步將朝著神經形態方向發展。”

近年來，人們在構建神經形態硬件方面做出了很多努力，這些硬件通過在硅中實現神經元來傳達認知能力。對于 Cambou 來說，這是一條可行的道路，因為“神經形態方法正在勾選所有正確的框”，并且可以提高效率。“硬件使神經網絡和深度學習成為可能，我們相信它將推動神經形態人工智能的下一步發展。然后我們可以再次夢想人工智能，夢想基于人工智能的應用程序。”

學分：耶爾

神經元和突觸

神經形態硬件正在走出研究實驗室，融合了傳感、計算和存儲領域的興趣和目標。正在組建合資企業，正在簽署戰略聯盟，并且正在啟動長達十年的研究計劃，例如歐盟的人腦計劃。

雖然預計 2024 年之前不會有重大業務，但在此之后的幾十年內，機會的規模可能很大。根據 Yole 的說法，如果所有技術問題在未來幾年內得到解決，神經形態計算市場可能會從 2024 年的 6900 萬美元增長到 2029 年的 50 億美元和 2034 年的 213 億美元。英特爾和 SK 海力士，以及 Brainchip、Nepes、Vicarious 和 General Vision 等初創公司。

神經形態芯片不再是理論，而是事實。2017年，英特爾推出了其首款由13萬個神經元組成的神經形態研究芯片Loihi。7 月，Santa Clara 集團憑借其 800 萬個神經元神經形態系統（代號為 Pohoiki Beach）實現了一個新的里程碑，該系統由 64 個 Loihi 研究芯片組成。同樣，IBM 的 TrueNorth 類腦計算機芯片有 100 萬個神經元和 2.56 億個突觸，Brainchip 的 Akida 神經形態片上系統有 120 萬個神經元和 100 億個突觸。

“提供硬件可以提高神經元和突觸方面的標準，這是一場競賽。突觸可能比神經元更重要，”Cambou 說。“在 Yole，我們看到前面兩步。首先，將基于當前方法構建的應用程序，部分是異步的，部分來自馮諾依曼。” 很好的例子是 Brainchip 的 Akida 和 Intel 的 Loihi。“然后，可能在未來 10 到 15 年內，我們將在其之上獲得 RRAM [電阻隨機存取存儲器]。這將允許創建更多的突觸。”

神經擬態計算的努力來自于美光、西部數據和 SK 海力士等內存廠商，但許多人正在尋求更多的短期收入，最終可能不會成為神經擬態研究的強者。“我們應該關注那些選擇神經形態作為核心技術的小玩家，”Cambou 說。

Weebit、Robosensing、Knowm、Memry 和 Symetrix 等顛覆性內存初創公司正在將非易失性內存技術與神經形態計算芯片設計相結合。它們與 Crossbar 和 Adesto 等純內存初創公司一起出現，但他們的憶阻器（內存電阻器）方法通常被認為比純計算公司的努力更長期。“許多記憶播放器正在研究 RRAM 和相變記憶來模仿突觸，”Cambou 說。此外，“MRAM [磁阻隨機存取存儲器] 是新興存儲器的一部分，它將幫助神經形態方法取得成功。”

學分：耶爾

除了計算之外，還出現了神經形態傳感生態系統，其根源起源于 1991 年神經信息學研究所和蘇黎世聯邦理工學院的 Misha Mahowald 發明的硅神經元。目前的競爭很低，全球只有不到 10 名參與者。其中，Prophesee、三星、Insightness、Inivation 和 Celepixel 正在提供即用型產品，例如基于事件的圖像傳感器和相機。電影攝影中使用的基于幀的方法無法捕捉運動。

“電影在欺騙我們的大腦，但我們無法欺騙計算機，”Cambou 說。“唯一正確的方法是提供與眼睛相同的信息。基于事件的相機對于任何類型的實時運動理解和模式理解都非常強大。” 更廣泛地說，聽覺、成像和行為傳感器“對我們所謂的通用智能的各個層面都有影響”。

在封裝半導體層面，Yole 表示，預計神經形態傳感將從 2024 年的 4300 萬美元增長到 2029 年的 20 億美元和 2034 年的 47 億美元。

汽車，但不僅僅是

Cambou 說，汽車可能是最明顯的市場。然而，最初的市場是工業和移動市場，主要用于機器人和實時感知。

短期內，神經形態傳感和計算將用于工業機器的始終在線監控。它還將在物流、食品自動化和農業方面發揮重要作用。Cambou 說：“雖然深度學習需要大量數據集，但神經形態學僅從幾張圖像或幾句話中就可以非常快速地學習并理解時間。”

在未來十年內，混合內存計算芯片的可用性應該會打開汽車市場，迫切地等待大眾市場的自動駕駛技術。“我們生活在一個交互的世界中，神經形態在讓計算機理解非結構化環境方面將非常強大。”