近年來，需求已增長，以提高效率更高，更智能的人工智能系統(tǒng)。與我們習慣的傳統(tǒng)系統(tǒng)不同，遵循馮·諾伊曼(Von Neumann)體系結構模型，神經(jīng)形態(tài)計算模仿神經(jīng)元結構和過程，提出了一種旨在解決計算的基本限制的方法，例如高能消耗和慢速任務處理。從本質上講，它是一種受人腦生物學功能啟發(fā)的計算體系結構，神經(jīng)元和突觸有效地協(xié)同工作以處理信息和數(shù)據(jù)。因此，神經(jīng)形態(tài)計算試圖效仿大腦的效率，我們知道，這可以同時處理數(shù)十億個認知操作，而能量密度最小。通過遵循神經(jīng)形態(tài)方法，可以開發(fā)能夠以有效且可擴展的方式模擬這些神經(jīng)網(wǎng)絡的專業(yè)硬件，從而在AI應用程序和先進的機器人技術中引起革命。

神經(jīng)形態(tài)計算的結構

神經(jīng)元是神經(jīng)系統(tǒng)中細胞的類型，它通過信號傳輸信息，對于大腦內部以及大腦和身體其余部分之間的通信至關重要。神經(jīng)元之間的通信需要電信號和化學信號。這發(fā)生在突觸之間，其中釋放了稱為神經(jīng)遞質的化學信號并影響附近神經(jīng)元的活性。從技術上講，神經(jīng)元由幾個部分組成：樹突從細胞體(也稱為SOMA)分支，這是計算發(fā)生的地方。軸突是神經(jīng)元的長溝通渠道。樹突的功能是接收來自其他神經(jīng)元的信息。一些樹突有一些稱為刺的小預測，對于與其他神經(jīng)元進行溝通很重要。

神經(jīng)形態(tài)計算的核心在于在集成電路中重現(xiàn)人工神經(jīng)元和突觸的想法。人造神經(jīng)元與生物神經(jīng)元相似，僅在脈沖或尖峰達到一定的激活閾值時才發(fā)送信號。與不斷處理信息的傳統(tǒng)系統(tǒng)相比，該技術被稱為基于SPIKE的計算，可以大大降低能耗。另一方面，人工突觸模擬了神經(jīng)元之間的聯(lián)系，并可以根據(jù)學習來改變其體重，復制對人腦必不可少的突觸可塑性過程。

減少能源消耗是神經(jīng)形態(tài)計算的主要優(yōu)點之一，旨在創(chuàng)建能夠執(zhí)行復雜的學習過程的設備，而無需大量的計算或能源資源，這使得它非常適合移動和便攜式應用程序，在該應用程序中，能源效率是關鍵的，但對于大型AI而言，在哪個處理效率上也需要降低成本和環(huán)境影響。

神經(jīng)形態(tài)體系結構還通過克服馮·諾伊曼瓶頸(Von Neumann Bottleneck)來區(qū)分傳統(tǒng)計算系統(tǒng)，其中處理器和內存之間的分離限制了系統(tǒng)的速度和效率。在神經(jīng)形態(tài)計算中，信息處理和存儲與人腦一樣發(fā)生同時發(fā)生，從而實時處理大量數(shù)據(jù)的潛伏期大大減少。實際上，大腦的特征是平行結構，該體系結構使用了大量的神經(jīng)元和突觸。神經(jīng)形態(tài)計算芯片通常使用數(shù)百萬個神經(jīng)元和突觸，與大量核心相互連接，每個核心都建模了大量神經(jīng)元和突觸。神經(jīng)形態(tài)電路可以使用離散事件方法進行計算，其中處理是為了響應特定信號而進行的處理類似于人腦中的神經(jīng)元如何通過電脈沖相互交流。表征神經(jīng)形態(tài)計算的其他方面包括實時操作，可擴展設計，計算效率，低功率密度和容錯性。

從馮·諾伊曼建筑到神經(jīng)形態(tài)芯片

馮·諾伊曼(Von Neumann)體系結構的特征是幾個關鍵組件，它們以協(xié)調的方式一起工作，包括CPU，內存，I/O單元，系統(tǒng)總線，控制單元等。它是一種古典計算體系結構，是大多數(shù)現(xiàn)代計算機設計的基本模型，這些模型在半個多世紀以來一直占據(jù)了計算機科學領域。該體系結構的模型的特征是處理單元與負責存儲數(shù)據(jù)和指令的內存之間的明確分離。處理器從內存，解碼，檢索必須操作并執(zhí)行指令的數(shù)據(jù)中讀取指令。

傳統(tǒng)建筑的主要局限性在于其順序。也就是說，必須按順序執(zhí)行指令，這可能導致問題，尤其是在需要并行處理的應用程序(例如神經(jīng)網(wǎng)絡和AI)的應用中。順序行為使管理復雜且高度互動的操作變得困難，這對于現(xiàn)代的機器學習和深入學習應用至關重要。

盡管數(shù)十年來可以擴展馮·諾伊曼(Von Neumann)的體系結構，但我們面臨著瓶頸，例如延遲和過度功耗。 CPU通常必須等待比CPU本身慢的內存數(shù)據(jù)獲取數(shù)據(jù)。此外，存在節(jié)能問題，而可伸縮性已達到難以克服的極限。從基于von Neumann的系統(tǒng)過渡到神經(jīng)形態(tài)的系統(tǒng)需要完全重新設計軟件和算法。為了克服所有這些局限性，神經(jīng)形態(tài)計算現(xiàn)在被認為是有效的選擇。

開發(fā)利用并行處理和量子計算的新體系結構的開發(fā)使我們能夠克服其中一些問題。同時，計算機市場還開始為CPU和內存之間交換信息提供更快的界面。在神經(jīng)形態(tài)計算中，研究也在增長，以基于生物學原理和大腦機制開發(fā)復雜的計算系統(tǒng)。與基于von Neumann結構的系統(tǒng)不同，神經(jīng)形態(tài)芯片模仿了人腦，試圖模仿生物神經(jīng)網(wǎng)絡的結構和功能。

神經(jīng)形態(tài)芯片旨在以平行和分布式的方式處理數(shù)據(jù)，從而使大量信息更有效，更快地處理數(shù)據(jù)，遵循數(shù)據(jù)的非線性表示，從而同時處理信息，而不是順序處理。

傳統(tǒng)體系結構和神經(jīng)形態(tài)芯片的系統(tǒng)之間的另一個實質性差異是管理信息的方式。盡管傳統(tǒng)處理器遵循確定性和線性邏輯，但神經(jīng)形態(tài)芯片采用了概率和適應性邏輯，這意味著這些芯片可以學習并適應新信息，而無需完全重新設計。

神經(jīng)形態(tài)芯片可以有效地管理可變工作負載，從而提供解決不同AI應用所需的靈活性。但是，在應用程序級別上，神經(jīng)形態(tài)計算超出了簡單的機器學習和深度學習。實際上，這些芯片也可以用于物聯(lián)網(wǎng)的便攜式設備，機器人系統(tǒng)和傳感器網(wǎng)絡中，其中能源效率和實時處理數(shù)據(jù)的能力對于項目的成功至關重要。

在功能層面上，神經(jīng)形態(tài)芯片由內存計算體系結構組成，其中沒有中央內存和中央處理單元，但是存儲和計算電路是分布式的，因此我們有許多小的記憶和計算單元。

高通的零芯片中的所有人類智能

高通公司是移動設備半導體的領先制造商，在神經(jīng)形態(tài)技術的開發(fā)方面投入了大量投資。通過零項目，高通尋求將神經(jīng)塑料計算的功能集成到移動設備中，以將AI直接帶入智能手機和邊緣設備。零系統(tǒng)基于一種能夠隨著時間的流逝學習，適應和改進的神經(jīng)形態(tài)結構，就像人腦一樣。

該系統(tǒng)的主要優(yōu)勢是能夠直接在設備上執(zhí)行高級AI操作而無需外部云進行數(shù)據(jù)處理，從而大大降低了延遲，從而允許智能手機，無人機和物聯(lián)網(wǎng)設備自動操作并適應周圍的環(huán)境。帶有Zeroth的設備可以學會實時識別圖像或聲音，從而通過本地學習不斷提高其準確性。

高通將零項目集成到其Snapdragon處理器生態(tài)系統(tǒng)中，該系統(tǒng)用于全球數(shù)百萬個移動設備，并具有一項集成，可以直接在智能手機上直接在智能手機上直接在無需其他處理功率或高電池消耗的情況下直接在智能手機上進行高級功能。

Zeroth的潛力與人機界面的未來特別相關，在該界面的未來中，設備必須能夠對人類互動進行明智的理解和反應。

使用Brainchip的Akida進行機器人技術和汽車的高級AI

神經(jīng)形態(tài)計算的另一個先驅Brainchip的旗艦產(chǎn)品是Akida芯片，該芯片專為實時AI應用程序，例如機器人技術，自動駕駛汽車和智能視頻監(jiān)視。 Akida基于一種尖峰神經(jīng)網(wǎng)絡技術，該技術模仿了生物大腦的功能，從而使芯片高能節(jié)能且適合邊緣系統(tǒng)。

Akida的顯著特征之一是它具有逐步學習的能力，這意味著一旦在系統(tǒng)中實施，它就可以提高其性能而無需完整的重新訓練，這對于諸如自主駕駛之類的應用程序具有巨大的優(yōu)勢，在該應用程序中，車輛必須能夠不斷適應新的情況和環(huán)境。

Brainchip已與汽車和國防部門的幾家公司合作，將Akida集成到AV控制系統(tǒng)中。該芯片已在各種應用中成功測試，包括先進的視覺系統(tǒng)和雷達傳感器，在處理速度和低功耗方面表現(xiàn)出色。

此外，Akida實時處理數(shù)據(jù)的能力使其特別適合在動態(tài)環(huán)境中需要快速可靠決策的機器人。

神經(jīng)形態(tài)計算的前景和未來應用

從馮·諾伊曼(Von Neumann)體系結構到神經(jīng)形態(tài)芯片的轉變標志著現(xiàn)代計算系統(tǒng)設計中的基本發(fā)展。雖然傳統(tǒng)的結構為基礎提供了基礎，但神經(jīng)形態(tài)計算芯片通過模仿人腦的動態(tài)來提供新的計算觀點，從而實現(xiàn)了有效且平行的處理。這一轉變解決了馮·諾伊曼體系結構的固有局限性，并為新應用程序和更高級和適應性AI的時代鋪平了道路。

神經(jīng)形態(tài)計算的潛力是巨大的，可以徹底改變AI，機器人技術，汽車和醫(yī)療保健等領域。未來的應用程序包括可以實時監(jiān)控和診斷醫(yī)療狀況的智能醫(yī)療設備，與人類更自然互動的家庭機器人以及具有高度響應能力控制系統(tǒng)的AV。諸如高通公司和Brainchip之類的公司正在證明現(xiàn)實世界中的案例表明，這項技術不再只是一個理論概念，而是一種快速發(fā)展的現(xiàn)實，并且已經(jīng)徹底改變了各個工業(yè)領域的應用。

神經(jīng)形態(tài)系統(tǒng)設計師的戰(zhàn)略目標之一是將這種新體系結構集成到傳統(tǒng)工作流程中。盡管幾家公司已經(jīng)表現(xiàn)出最初的成功，但大規(guī)模采用需要更加成熟，強大的硬件和軟件基礎架構。

創(chuàng)新的神經(jīng)形態(tài)方法還可以徹底改變AI系統(tǒng)的開發(fā)方式，從而降低能源需求并提高處理速度。在該領域的持續(xù)研究可能會導致新一代的設備能夠以前所未有的效率執(zhí)行復雜的認知任務，從而重新定義了學習的概念。