一个拥有860亿物理神经元的人工大脑芯片

来源：内容来自福布斯中文网，谢谢。

如果我们在尝试构建人工智能时，既不用代码来模拟神经元，也不用Python来模拟神经网络，而是用与我们的生物大脑非常相似的形式，即用物理突触来连接实际的物理神经元，那会怎么样？通过这种方式能创造出比现有人工智能框架节能1,000倍的神经网络么？

这正是Rain Neuromorphics想要做的：构建一个非生物但非常人性化的人工大脑。

与现有的人工智能项目相比，这个人工大脑消耗的能量更少，学习速度也更快。简而言之，这有点像现实世界的人类。另外，它是用模拟芯片制造的，而不是数字芯片。

Rain Neuromorphics的CEO 戈登·威尔逊（Gordon Wilson）对笔者表示：“我们有两项非常重要的任务，一是构建大脑，二是真正理解它。最终，我们要将其视为类似于乐高积木的东西，由于功耗低，我们将能够通过芯片集成、高级封装等技术将它们连接在一起，并把这些系统扩展到大脑规模——860亿个神经元，500万亿个突触，其功耗之低足以令其能够存在于自主设备中。”

威尔逊似乎习惯以一种非常安静和谦逊的状态来描述一些令人震惊和改变世界的事情，甚至会安静地让人忽视其中蕴含的庞大想法。而上述计划无异于弗兰肯斯坦计划。

四年前，威尔逊和联合创始人杰克•肯德尔（Jack Kendall）、胡安•尼诺（Juan Nino）通过一笔小额种子轮融资创办了公司。去年年底，该团队制作了一个演示芯片，并至少证明了他们通过一个完全模拟的芯片来为人工智能工作负载构建大脑模拟硬件的一些理论。就在一个月前，该团队获得了2,500万美元的融资。该笔资金将用于完成之前的芯片设计，让其变成可制造的，可推向市场的产品。

而这次的投资者之一，是人工智能领域的重量级人物、Open AI的CEO山姆·奥特曼（Sam Altman）。

这个项目的关键是Rain Neuromorphics正在建造一个模拟芯片。这与市场上99.9%的计算机芯片截然不同。后者把现实简化为二进制：开或关，0或1。这些芯片必须用非常精确的数字化数学来模拟计算机程序中的事实、关系和动作。

与此相比，模拟芯片以一种非常自然的方式来呈现现实。

“数字芯片……建立在最底部的0和1的基础上，建立在开或关的布尔逻辑上，然后所有其他逻辑都是在此基础上构建的，”威尔逊解释说。“当你放大观察模拟芯片的底部时，那里没有0或1，而是信息的梯度。那里有电压，电流和电阻，有需要测量的物理量，而这代表着正在进行的数学运算。我们要利用这些物理量之间的关系，然后执行这些非常复杂的神经运算。”

这是怎么做到的呢？答案是，让物理来做计算的工作，而不是通过一个由1和0组成的现实映射来粗暴地强迫后者执行。

所以，当你构建起一个神经网络，并根据人类大脑的高效学习、数据存储和决策执行模式来建模时，你更多的是在测量结论，而不是通过已经建立的人工神经元和突触来一步步到达结论。

“在模拟芯片中……我们会激活由电压所代表的神经元，”威尔逊说。“我们用电阻来表示突触的重量，这些电阻是由记忆电阻器组成的。当电压通过电阻时，电压和电阻之间就有了自然的倍数关系。为了接收到电流，你需要读取出电流，而这就是你的输出。所以模拟芯片的工作原理是首先理解这些电量之间的物理关系，然后利用这些电量来做数学运算，即让物理来做数学运算。”

这听起来既复杂得难以想象，又极其简单，也许有点像我们的大脑。

Rain Neuromorphics声称，用类似大脑中的生物神经元、树突和神经网络的事物来制造芯片，也是获得巨大效率的关键：这比英伟达等公司现有的数字芯片效率还要高1,000倍。

这1,000倍的提升来自于两个方面：10倍的能耗降低，以及100倍的速度提升。如果两者能够实现结合，便能提供与数字硬件相似的结果，同时令能源需求降低三个数量级。

在不同环境下，能源的使用会带来不同的影响。

在服务器农场中，更多的能量会影响成本和热量，从而引发额外的冷却需求。在移动或边缘应用中，能源可能是稀缺的或难以交付的，这使得节能应用比耗电的芯片更有吸引力。

“我认为这将是向低功率推理和低功率设备迈出的第一步，但我们不希望设备只是被预先编程，然后做自己被规定要做的事情，”威尔逊说。“我们希望设备能够自主学习。我们希望设备的大脑能够适应不断变化的环境和不断变化的自我。”

模拟芯片可以达到比数字芯片更快的速度，因为计算本质上是为了实现人类的目的而运作的，即以“线速”完成从输入到输出的过程。部分模拟化的芯片能在某些特定操作中的实现部分“线速”功能，但在转换到数字状态或从数字状态转回时仍会招致“超速罚单”。

而完全模拟化的芯片所面对的挑战则是，在高速运行的同时也会有极端的特异性。数字芯片可以做“任何事情”，而模拟芯片只能做它被设计用来做的事情。

本质上，Rain Neuromorphics正在建造一种通用模拟芯片，因为他们正在建造的是一种模拟人类大脑的芯片，其根据小型世界网络模式将单个神经元与突触连接起来。这种网络模式确保神经元有短连接和长连接，从而创造出非常高效和有效的连接网格（想想Kevin Bacon的六度分割理论）。

接下来，这些芯片就会教自己如何做各种各样的任务，就像我们在儿童和成人阶段的学习一样……我们的训练数据通常只有一到两个样本。

“大脑只需要很少的样本就可以训练和学习，”威尔逊说。“通过对一个或两个例子学习一次到两次，我们就可以非常好地进行概括。所以学习/培训非常、非常有效。”

当然，这个过程有很多工作要做，而且市场上有很多竞争对手。

英伟达是一个主要的市场参与者，另外，IBM也在开发神经形态的芯片，即英特尔正用来制造更好的无人机和真实世界导航系统的Loihi芯片。

对Rain Neuromorphics来说，它希望在2025年上市。