0
十年前，有这样一个问题：软硬件是否可以像生物大脑一样工作？
如今，这个问题的回答是“可以”，但行业面临的挑战是，如何利用神经形态技术开发的历史、如何应对紧迫的、甚至是生死攸关的计算挑战？
就这一话题，科技作者 William Van Winkle 在外媒 VentureBeat 发表了一篇文章，主要观点包括：
行业合作和原型基准正在推进数十年来在实时计算视觉、语音识别、物联网、自动驾驶和机器人技术等领域的实际应用研究。
神经形态计算可能会以低功耗和高效率补充 CPU、GPU 和 FPGA 技术，用于包括学习、搜索和感知在内的一些任务。
行业对其的预测千差万别，比如预测全球神经形态计算市场 2028 年复合增长率在 12% 到 50% 之间。
以下是雷锋网未改变文章原意的编译。
2020 年 7 月，美国能源部橡树岭国家实验室主办了第三届神经形态系统国际年会（ICONS），来自世界各地的 234 名研究人员参与了此次线上活动，与会者规模几乎是去年的 2 倍。
会议期间，一篇题为《用基于尖峰的模型模拟流行病传播》的论文探索了使用神经形态计算来减缓潜在感染群体的患病几率。无疑，如果一个更好、更精准的模型可以指导国家政策、拯救无数人的生命，那么这样的研究就是至关重要的。
这一会议反映了一项仍处于萌芽状态的技术及其生态。研究人员对神经形态计算的潜力表示肯定，但迄今为止，大多数进展都只发生在学术机构、政府和企业的实验室里，似乎已经准备好改变了。
研究机构 Sheer Analytics & Insights 预测，2020 年全球神经形态计算市场将达到 2990 万美元，未来 8 年复合增长率为 50.3%，2028 年将达到 7.8 亿美元。
与之形成鲜明对比的是——2018 年 KBV 研究报告预测，2023 年全球神经形态计算市场复合增长率为 18.3%，即 37 亿美元；Mordor Intelligence 则预测，2019 年全球神经形态计算市场为 1.11 亿美元，复合年增长率为 12%，到 2025 年将达到 3.66 亿美元。
显然，预测各不相同，但大幅增长的趋势却是可能的，这一市场的主要参与者包括英特尔、IBM、三星和高通。
当前，研究人员关心的一个话题是，神经形态计算首先会落地哪一领域。答案很有可能是视觉、语音识别；自动驾驶也可从类似人类的学习中获益，避免出现人类的分心或认知错误；从工厂到战场，物联网的机会到处都有。
不论如何可以肯定的是，神经形态计算不会取代 CPU 和 GPU，相反，两种计算方法将是一个互补的关系，每种方法都适合自己的算法和应用。
神经形态计算始于使用模拟电路来模拟大脑中的突触结构，大脑擅长通过噪音和学习确定模式， 神经形态 CPU 擅长处理离散、清晰的数据。
因此，许多人认为神经形态计算可以解决阻碍传统计算系统数十年的问题。一方面，基于 von Neumann 架构的处理器必须等待数据进出系统内存。缓存结构有助于减轻这种延迟，但随着芯片速度的加快，数据瓶颈愈发明显。另一方面，神经形态处理器目标在于通过模拟大脑的核心工作方式来提供更省电的操作。
神经元通过一种被称为是「尖峰」的脉冲模式相互发送信息脉冲，其关键在于时间，时间本身就传达着信息。
我们可将尖峰用一个比特来表示，与传统的数据通信方法相比，它更高效、更省电。20 世纪 50 年代，对尖峰神经活动的理解和建模出现，但接下来的 50 年，基于硬件的计算应用并未开始。
2008 年，美国国防高级研究计划局（DARPA）启动了一个名为“神经形态自适应塑料可扩展电子系统”（SyNAPSE）的项目，旨在开发可扩展到生物水平的低功耗电子神经形态计算机。该项目的第一阶段是开发模拟大脑突触活动的纳米级突触，并期待其在微电路结构中发挥作用。
2009 年，IBM Research 和 HRL Laboratories（通用汽车和波音公司共同拥有）赢得了 SyNAPSE 合同，成为竞争对手。
2011 年，HRL 宣布了第一个「记忆电阻器」阵列，即一种可应用于神经形态计算的非易失性内存存储形式。两年后，HRL 打造出了第一个神经形态芯片 Surfrider——在 50 毫瓦的功率下有 576 个神经元。
研究人员将芯片安装在一架配备光学、红外和超声波传感器的不足 100 克的无人机上，并将无人机送入三个房间。无人机通过感官输入“学习”了第一个房间的布局和内部的物品，基于此，它可在新房间“动态学习”，或是认出曾进入过的房间。
2014 年，IBM 在 Science 发表论文称，他们制造了有着 54 亿个晶体管的芯片 TrueNorth，4096 个神经突触核心通过一个集成了 100 万个可编程尖峰神经元和 2.56 亿个可配置突触的芯片相互连接，能以每秒 30 帧的速度输入 400 × 240 像素的视频，芯片功耗 63 毫瓦。
该领域的研究并不少见，比如 2009 年斯坦福大学的模拟突触方法 NeuroGrid；2015 年欧盟资助的 BrainScaleS 项目；曼彻斯特大学的 SpiNNaker 神经网络体系结构超级计算机等等。
许多专家认为，商业应用将在未来三到五年内真正到来，而这也仅仅是个开始。
2019 年，三星宣布将其神经形态处理单元（NPU）部门的规模扩大 10 倍，原本的 200 名员工将增加到 2030 年的 2000 名员工。原因在于，三星预计到 2023 年，神经形态芯片市场的年增长率将达到 52%。
神经形态领域的下一个挑战将是如何定义标准工作负载和基准测试方法。当前，3DMark 和 SPECint 等基准应用发挥着关键作用，但正如 2019 年 9 月《自然-机器智能》杂志所讨论的那样，尽管英特尔实验室提出了一种称为 SpikeMark 的尖峰神经形态系统的建议，但神经形态领域还是缺少这样的基准。
神经形态计算仍处于研发阶段，如今该领域几乎没有任何商业产品。但越来越明显的是，某些应用非常适合神经形态计算，神经形态处理器将更快、更省电。不过，CPU 和 GPU 计算并不会消失，神经形态计算只会出现在其左右，扮演更好、更快、更有效的处理角色，这将是我们从未见过的。
编译来源：
https://venturebeat.com/2020/12/15/neuromorphic-computing-the-long-path-from-roots-to-real-life/
雷锋网雷锋网雷锋网
雷峰网原创文章，未经授权禁止转载。详情见转载须知。
