20世紀80年代科學家卡弗·米德（Carver Mead）在20世紀80年代創造了“神經元”這一術語，一直都備受爭議。不久前，《IEEE Spectrum》網站發布了一份關于“我們能復制人類大腦嗎？”的報告，徹底的打開了無論在硬件還是軟件方面復制人類大腦的研究熱潮。

來自我國、法國、美國以及日本的國際科學家團隊就人類神經元的非線性振動領域，一起致力于縮小人工非線性振子，以108個振子集合成一個拇指大的芯片內的二維數組里成功復制“大腦”—神經形態語音識別芯片。

人工智能——2017年最熾熱的標簽。對于很多AI試水者，模擬大腦的計算機的概念并不新鮮，怎么平衡技術與需求才是重中之重？人工非線性振子對錯線性振動器將輸入的常量轉化為一種振動標志。例如，擺鐘對錯線性振動，神經元也對錯線性振動，可是假如你用恒定電流刺激它們，它們會周期性地發射電壓峰值。

他們始終相信該研討將使人工神經元的才能不斷接近咱們大腦中的神經元，而且使微型神經形態語音辨認芯片可以學習和適用于各個領域。

就現在的研討成果來看，納米級設備似乎是最佳的挑選，雖然這些設備也不是完美無瑕，比如噪音大，缺乏安穩性。可是科學家依然挑選使用納米級的自旋振動器，而不是具有記憶功用的設備或超導設備。該振動器由磁性地道結構成，并成為巨大磁電阻硬盤驅動器上讀頭的骨干。

來自法國科學研討中心的Julie Grollier表明：“與記憶性振動器比較，磁振動由于其可循環性，具有十分安穩的性能。磁性地道結簡直具有無限的耐力，而記憶電阻器在其一百萬次循環之后開始退化。”

Grollier彌補說，磁振動比超導脈沖更簡單丈量。在室溫下就可以進行，而且發射的電壓通常是100毫伏，其數量級大于約瑟夫森結的數量級。

自旋納米振動器是由兩個被非磁距離器分離的鐵磁層組成的支柱。當電荷流經這些連接點時，它們就會構成自旋極化的電流，并在磁化過程中產生轉矩。這就導致了一種稱為磁化矢量運動的現象，這種現象發生在情況是，當有未成對的電子自旋原子被放置在磁場中，并以精確的頻率環繞磁場旋轉時。這種繼續的磁化矢量運動產生的頻率從幾百兆赫到幾萬兆赫。然后，通過磁阻將磁化振動轉化為電壓振動。由此產生的射頻振動高達數十毫伏，這可以通過丈量連接點的電壓來檢測。

Grollier表明：“咱們采取時分多路傳輸戰略，使用磁性納米神經元模擬了一個具有400個神經元的完好網絡。磁柱扮演每個神經元的人物，就像一個藝人在電影中扮演一切人物一樣。”

為了測試該體系，研討人員試圖用它來進行聲音辨認。他們將音頻信號轉換成電流，然后通過納米神經元發送電流。這些電子波形使納米磁體中磁化的誘發振動加速了一千倍。磁振動通過磁阻效應轉化為神經元間的電壓振動。他們用一個示波器記錄了這些電壓的變化，然后用計算機模擬突觸功用，然后讓神經網絡學習。

Grollier說：“咱們已經實現的神經網絡可以識別由不同人宣布的語音數字，其成功率為99.6%，這與那些體積龐大的神經元的效果一樣好，甚至更好。研討結果表明，磁性納米神經元可以準確可靠地完成認知任務。”

磁性納米神經元與磁性存儲單元的結構完全相同，而且該神經元由億萬個硅元素構成。在未來的幾年里，研討人員致力于將這些神經元緊密連接并操控其耦合，以便樹立可以進行處理雜亂信息的大型網絡。Grollier表明，終究的目標是研宣布可以學習和適應各種變化的智能、低功耗的微型語音識別芯片。這些語音芯片將廣泛用于各個領域，包括實時分類海量數據、駕駛自動轎車以及醫療診斷等。

雖然這仍只是目前的一個研究項目。但是，在AI火熱的今天，高速發達的芯片技術支持下，原理有了，對于我們了解大腦如何工作的？神經元的脈沖或“尖波”達到一定的激活水平需要什么要求？一切將不在是空想，到那時“人腦”VS“智腦”孰勝孰劣就不得而知。