據悉，AI領域的大咖都在關注搞類腦芯片的研究，相比于傳統芯片，類腦芯片的確在功耗上具有絕對優勢，研究員試圖通過模擬人腦運轉機制，使機器超越人腦。據報道隨著技術的進步，顛覆傳統架構的類腦芯片已為芯片行業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技術實驗室的Jeehwan Kim教授在《自然》雜志上發表了一篇論文，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。基于馮諾依曼結構的計算機結構呈現的缺點也愈加明顯，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，據研究表明，人類大腦平均每秒可執行 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就推出了業內首款類腦芯片TrueNorth。國內最近幾年在芯片研發上也不甘示弱，也有西井科技這樣的初創公司投身到類腦芯片的研發中來，清華等知名高校也紛紛建立類腦研究中心。

相比于傳統芯片，類腦芯片的確在功耗上具有絕對優勢，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芯片節省近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。隨著行業對計算力要求越來越高，馮氏瓶頸將越來越明顯，顛覆傳統架構的類腦芯片已為芯片行業開啟了一扇新的大門。

一、傳統芯片遇馮·諾依曼瓶頸 模擬神經元成新思路

現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據用同樣的方式分別存儲在兩個區域，一個稱為指令集，一個稱為數據集。計算機每次進行運算時需要在CPU和內存這兩個區域往復調用，因而在雙方之間產生數據流量。而隨著深度學習算法的出現，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在大量數據運算效率低能耗高的問題，目前有兩種發展路線：一是延用傳統馮諾依曼架構，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。在處理海量數據上這種方式優勢明顯，并且功耗比傳統芯片更低。比如IBM的TrueNorth芯片每平方厘米功耗消耗僅為20毫瓦。