近一个世纪以来，科学家们一直在借鉴大脑来构建计算模型。从最早的人工智能到今天的深度学习模型，许多系统的基础都是人工神经网络。这些电节点网络粗略地模拟了我们思维的内部运作。就像神经元在我们的神经系统中传递脉冲一样，人工神经网络（ANN）中传递的信号使机器能够解决复杂问题，甚至随着时间的推移而学习。
这项技术在过去几十年中推动了人工智能的进步。ANN 被认为是基于大脑的计算系统的黄金标准，在从金融、机器人到智能手机的几乎所有你能想象到的领域都能找到它们的身影。
然而，达到这一计算水平可能会耗费大量资源。在一项2019年的研究中，研究人员估计，一个单一的深度学习模型产生的二氧化碳排放量，相当于五辆汽车在其整个生命周期内的总排放量。这大约是美国人年均排放量的17倍。
随着人工智能系统的规模和复杂性不断增加，研究人员正在寻找提高这些过程能源效率和可持续性的方法。为此，专家们（再次）将目光投向了我们所知的最高效的处理系统——大脑。
大脑作为灵感来源
在大脑中，神经元通过通路连接。一个神经元如果接收到足够的输入，就会向下一个神经元发送信号。随着这些神经元之间传递的信号越来越多，连接也随之加强。神经科学家用“共同激发，共同连接”（fire together, wire together）的助记词来解释这个过程，这本质上就是学习发生的方式。
早在20世纪40年代，关键思想家就已经开发出了基于人脑生物学特性的计算机模型。为了在计算机中创建神经网络，科学家们在系统中的不同处理单元之间建立联系，模仿大脑中突触传递信号的方式。这些连接中的每一个都有一个所谓的“权重”，表示输入和输出之间的连接强度。与生物大脑一样，这些权重可以根据计算机系统的训练方式而加强或减弱。
然而，人工神经网络只是对生物大脑真实处理能力的粗略模仿。在许多 ANN 版本中，神经元层层堆叠。在每一层，神经元接收来自前一层的信号，然后激活下一层的所有神经元。像这样单向触发每一个输入和输出可能会拖慢系统的处理速度，并需要更多的能量。在深度学习时代，顶尖人工智能模型所需的资源平均每3.4个月翻一番。随着人工智能系统的规模和复杂性不断增加，效率变得越来越重要。
“随着其设计变得越来越复杂，您需要的计算资源也越来越多——您需要更多的电力，”沙特阿卜杜拉国王科技大学的电气与计算机工程专业的学生Guo Wenzhe说。
为了解决这个问题，科学家们回过头来从大脑中寻找线索。近年来，研究人员在脉冲神经网络（SNN）的开发方面取得了重大进展，这是一种更接近生物学的人工神经网络。在SNN模型下，单个神经元仅在需要时才会触发其他神经元。这模拟了触发生物神经元信号传递的“脉冲”。这种异步方法确保系统仅在需要执行特定操作时才消耗能量。
Guo 领导的团队开发了一种低成本微芯片，用于 SNN 技术。他的团队表明，他们的芯片比其他神经网络平台快 20 倍，能源效率高 200 倍。他说，放弃 ANN 这种对大脑的简单化模拟，将为速度和效率开辟新的机遇。
大公司已开始利用 SNN 模型的力量来创建和训练复杂的神经形态芯片，这是一种基于算法的人工智能，更密切地模仿人脑与世界的互动方式。IBM 的TrueNorth于 2019 年推出，在一个 28 纳米的芯片上包含一百万个神经元和 2.56 亿个突触。英特尔的Loihi芯片包含 13 万个神经元，尺寸为 14 纳米，能够进行持续自主学习。
比人类更像人类？
Guo 表示，人工智能“已经深入到生活的各个方面”。基于神经系统的计算已广泛应用于图像分类和语音识别软件、认知机器人、个人通讯、我们目前对肌肉活动的理解等方面，还有更多。
随着这些计算系统越来越接近人脑，也有一些努力试图利用 AI 芯片来研究启发它们的神秘器官。对于希望研究神经退行性疾病（如阿尔茨海默病和帕金森病）的科学家来说，目前还没有现成的体外模型系统（在试管和培养皿中进行的实验）。在真实的脑组织中测试药物也可能具有挑战性，因为大脑的复杂性可能导致难以精确找出驱动某些研究结果的确切机制。
在 2020 年发表于《神经网络》期刊上的一篇评论中，一个研究小组比较了 ANN 和 SNN。尽管 SNN 尚未达到 ANN 的计算水平，但作者表示持续的进步将推动它们朝着同一方向发展。“该领域的快速发展不断产生令人惊叹的结果，网络规模也日益增大，”研究作者写道，并补充说，技术的发展轨迹类似于深度学习的初期发展。
Guo 表示，像他的团队正在开发的 SNN 芯片一样，SNN 芯片可以用于各种目的。随着芯片越来越接近人脑的神经通路，它们有一天可能为研究不同疾病的神经科医生提供有用的模型。“目前，这种 SNN 仍然不如 ANN，”Guo 指出。“但它在未来拥有巨大的潜力。”
