深扒全球仿生芯片计划：人造大脑通往未来计算之门

原创 心缘 智东西

看点：打造硅脑！细数2020年未来计算最新进展，AI芯片“智商”已接近小型哺乳动物。

“我们进入的新时代是生物技术时代，这将改变人类的意义。”

今年2月，在风险投资公司Platform Capital组织的“非洲崛起系列”鸡尾酒会上，尼日利亚神经科学家阿加比（Agabi）激情澎湃地发表演讲。

他所创立的公司Koniku研发了一种特殊的芯片Koniku Kore，将活的转基因脑细胞与传统硅融合在一起。阿加比说，该芯片通过检测人体释放的挥发性有机化合物，能检测从肺癌到新冠肺炎的一系列疾病。

不管是构成还是外观，这个形如蓝色冰冻水母的芯片都颇具科幻色彩。但从已透露的信息来看，Koniku Kore并不是纸上谈兵，它在医疗、农业、军事及机场安检等领域的落地前景，已经吸引多家知名公司的青睐。

其早期的客户包括埃克森美孚、保洁、制药公司阿斯利康、全球化学品制造商巴斯夫等。近期新加坡樟宜机场也使用了Koniku的技术，用于防控新冠肺炎传播。

Koniku并非个例，人脑作为自然界最复杂的结构体之一，已经启发了太多不可思议的奇妙想法。

刚刚过去的2020年前4个月，在将生物神经元与硅芯片结合的前沿技术领域，创新的波澜正涌动不息。

打破脑科学与微电子学的界限

“在已知的宇宙中，人类的大脑是最复杂的东西，它复杂得让试图解释它的简单模型可笑，让精致的模型无用。”

这是杜克大学认知神经科学中心的斯科特·胡特尔被广为引用的一句名言。

迄今为止，人的大脑仍是一片生长着无数未解之谜的原野，无人能窥得它的全貌。但科学家们从未停止探索人脑奥秘的脚步，不仅尝试破解生命科学的密码，在脑重大疾病研究方面有所突破，而且试图模仿已知的神经元活动，打造类脑的计算机系统。

如今计算机界的“当红炸子鸡”人工智能，其广泛应用的神经网络，即是模拟人脑神经处理机制的典型代表。2016年阿尔法狗（AlphaGo）击败围棋冠军李世石的那一刻，人工智能披上新的荣光，人创造出的非生命体具备了媲美人类的“高智商”。

但在能耗上，阿尔法狗输得不是一点点。据科技公司Ceva估算，AlphaGo在下棋过程中约消耗1兆瓦的电能，相当于一天约100户家庭的供电量。相比之下，包含超过1000亿个神经元的人脑，消耗的功率仅20瓦，只有AlphaGo所消耗能量的5万分之一。

当今人工智能（AI）芯片努力进化的两个方向，一是更快的计算速度，二是更低的功耗。如果向大脑神经元活动取经，是不是能做出兼顾高算力和低功耗的芯片？

两种不同的思路开始在研发道路上激起火花：一种是将生物神经元与传统半导体结合的生物计算，另一种则是用微电子技术来模仿神经元信息处理机制的类脑计算。

生物计算：碳基神经元+硅基半导体

脑功能的实现依赖于神经元和突触组成的神经网络，突触起到将信息传输与记忆存储处理相结合的关键作用。

受大脑启发，一些研究人员尝试建立生物神经元与硅神经元之间的连接，以推进脑机接口、超低功耗混合芯片等前沿技术的发展。

今年2月底，《自然》旗下期刊《科学报告》刊登了一项由英国、瑞士、德国和意大利科学家联合推进的实验，用纳米级忆阻器模拟生物突触的基本功能，连接大鼠神经元和人工神经元，使得这些神经元通过互联网可以实现双向实时通信。

“我们首次证明，芯片上的人工神经元可以与大脑神经元相连，通过使用相同的’脉冲’语言进行交流。”意大利帕多瓦大学生物医学科学系教授Stefano Vassanelli说。

▲纳米电子突触在混合网络中连接硅和大脑神经元

这种“混合大脑”能让大脑神经网络和AI神经网络相互理解，从长远来看，Vassanelli称其想法是利用人工脉冲神经网络来恢复帕金森氏症、中风或癫痫等局部脑疾病的功能。

Vassanelli指出：“一旦植入到大脑植入物中，硅脉冲神经元将充当一种神经假体，人工神经元将自适应地刺激功能失调的神经元，促进功能恢复，甚至能挽救功能丧失。”

论文链接：https://www.nature.com/articles/s41598-020-58831-9#Bib1

这项研究是想用人工神经元来补救出毛病的生物神经元，也有科学家将真正的生物神经元和传统硅计算系统集成在一起，试图打造突破传统芯片限制的超级计算芯片。

澳大利亚初创公司Cortical Labs在今年4月宣布制造第一款混合计算机芯片，并在训练该芯片玩雅达利祖师爷级乒乓球游戏《Pong》。

其官网上列举了生物计算的四个优势：流体智能、比数字电路更稳健、可扩展、功效高。

（1）流体智能：生物神经网络具备自组织特性，不依赖所需知识即可解决陌生问题。

（2）鲁棒性：与数字电路不同，生物网络对物理损伤具有很强的抵抗力，其适应和重组的能力可以在传统电路失效的地方维持功能。

（3）可伸缩性：生物智能可以从蜻蜓扩展到人类。培养神经元不需要绝对零度的设备或昂贵的纳米级制造单元。

（4）功率效率：人脑有超过十亿的神经元，能耗仅20瓦，生物计算拥有相似的高能效特性。

这家创企在2019年6月成立，已从澳大利亚著名风险投资公司Blackbird Ventures获得了约61万美元的种子资金。

其联合创始人兼首席执行官Hon Weong Chong是一名注册医生和软件工程师，曾就读于约翰霍普金斯大学信息学系，他基于自身丰富的经验和多学科背景，想带领团队打造出一个功能强大而功耗极低的计算系统。

他们提取神经元的方式有两种：一是从小鼠胚胎中提取神经元，二是将人类皮肤细胞转换回干细胞，并诱导它们成长为人类神经元。随后这些神经元被嵌入一个特殊金属氧化物芯片顶部的培养基中，芯片包含一个由22000个微小电极组成的网格，可充当程序员与神经元之间的I/O介质。

据悉其芯片处理能力少于蜻蜓大脑。Chong认为，这种芯片最终可能成为提供各种复杂推理和概念性理解的关键，这是今天的AI无法做到的。

▲Spike visualisor显示实时神经网络激活

Cortical Labs不是唯一从事生物计算的机构。开篇提及的美国加州创企Koniku，早在2014年就已成立。

2017年，Koniku首次展示由老鼠神经元构建的64神经元硅芯片Koniku Kore，据称是全球首个拥有“嗅觉”并可检测爆炸物、疾病等气味的芯片。

▲Koniku Kore的原型之一

类脑计算：群雄逐鹿，硕果千结

无独有偶，今年3月，《自然-机器智能》期刊上发表了一项研究，报告了一种模拟生物嗅觉识别10种危险化学品气味的AI算法。

特别的是，这一研究由英特尔神经拟态芯片Loihi提供动力。

Loihi芯片在2017年首次亮相，包含128个内核、13万神经元、1.3亿突触，每个内核模拟多个逻辑神经元，具有支持多种学习模式的可扩展片上学习能力。

神经拟态芯片既可以以比传统处理器更低的功耗，跑传统深度神经网络（DNN），也可以搭配充分考虑时间序列差异的脉冲神经网络（SNN）。

和视觉信息不同，嗅觉信息是非结构化的，传统深度学习算法并不适用，而SNN能更好地模仿生物感知和处理的节奏，同时它也不像深度学习那样需要大量数据和参数来达到稳定状态。比如在“闻气味”这项研究中，传统解决方案学习每类气味，需要的训练样本量是Loihi芯片的3000倍以上。

今年3月，英特尔还创纪录的将768颗Loihi芯片组装成拥有1亿个神经元的超级神经拟态计算系统，超过了仓鼠的大脑神经元总数。

英特尔实验室神经形态计算小组的高级研究科学家Nabil Imam表示，他们的工作是“当代研究在神经科学和人工智能的十字路口一个典型例子”。

相比将活神经元和半导体结合带给人的“玄幻感”，神经拟态芯片领域明显更为热闹。

在这个通向未来计算的前沿研究道路上，既有英特尔、IBM、高通、三星、惠普等科技巨头，也有BrainChip、西井科技、灵汐科技、aiCTX、Numenta、General Vision、Applied Brain Research、Brain Corporation等初创公司。

HRL实验室、麻省理工学院、斯坦福大学、波士顿大学、曼彻斯特大学、海德堡大学、比利时微电子研究中心、清华大学、中科院、浙江大学、复旦大学等顶尖学府和研究机构，亦在这一领域的研究中发挥着不容小觑的作用。

从实现方式来看，神经拟态芯片可分为数字芯片、模拟芯片和新材料芯片。

数字芯片有英特尔Loihi、IBM TrueNorth、曼彻斯特大学SpiNNaker等；模拟芯片有斯坦福大学Neurogrid、海德堡大学BrainScales以及ROLLS等；新材料芯片主要包含忆阻器（Memristor）组成的阵列，为存储与计算融合提供了器件支撑。

去年4月，瑞士创企aiCTX推出全球首款纯基于事件驱动运算的视觉AI处理器DynapCNN，单芯片集成超过100万个神经元、400万可编程参数，适合实现大规模SNN。

aiCTX成立于2017年，创始人兼CEO乔宁博士毕业于中科院半导体研究所，主要从事低功耗数模混合电路的设计，2012年加入苏黎世大学及苏黎世联邦理工大学的神经信息研究所INI进行类脑芯片研究，对类脑芯片有很深的理解。

▲ aiCTX首席执行官乔宁博士展示其AI芯片

澳大利亚创企BrainChip同样研发了基于事件驱动运算的神经拟态芯片。它成立于2013年，2015年9月在澳大利亚上市，2017年11月获得2150万美元Post-IPO融资，今年4月又融资312万美元。

在今年2月的tinyML峰会上，BrainChip演示了其最新级神经拟态芯片Akida如何处理计算机视觉任务，证明它有两个关键特性与传统深度学习加速器（DLA）大不相同：

（1）处理给定卷积神经网络（CNN），Akida的计算量比DLA少40%-60%。即是是处理像MobileNet v1等较大的CNN模型，Akida通常也无需进行片外内存访问或主机CPU通信。

（2）Akida结合SNN，能直接在芯片上实时学习，且所需数据远少于传统深度神经网络。

▲Akida SoC

日本影像应用SoC方案供应商Socionext最早于2019年6月开始与BrainChip合作开发Akida芯片。据最新消息，两家公司已将完整的Akida设计文件交给晶圆厂台积电。Akida工程样品预计在今年第三季度问世。

BrainChip的AI芯片采用非多路复用的设计，号称比IBM采用多路复用设计的TrueNorth芯片速度快上数千倍。

IBM早在2011年8月就率先开启类脑芯片的大门，研发出单核包含256个神经元、65536个突触的“神经拟态自适应可塑性可扩展电子芯片”原型，脑容量相当于虫脑，能处理像玩Pong游戏这样复杂的任务。

2014年，IBM公布第二代TrueNorth芯片，包含4096个内核，100万个神经元、2.56亿个突触，而功耗只有65毫瓦。其长期目标是建立拥有100亿个神经元、数百兆个突触、仅消耗1KW功率、体积不到0.002立方米的芯片系统。

▲ IBM的TrueNorth芯片结构、功能、物理形态图

不过相较英特尔Loihi芯片的高调推进和IBM TrueNorth芯片的闻名遐迩，高通在2013年公布的Zeroth芯片已经好几年没有新讯了。

目前全球知名的大型神经拟态计算系统，除了英特尔Loihi和IBM TrueNorth外，还有德国海德堡大学BrainScales、英国曼彻斯特大学SpiNNaker、美国斯坦福大学Neurogrid。

去年8月，清华大学类脑计算研究中心施路平教授团队打造的类脑计算芯片“天机芯”登上国际知名学术期刊《自然》的封面，实现了中国在芯片和人工智能两大领域《自然》论文零的突破。

天机芯集成千万级神经元突触，同时支持跑人工神经网络（ANN）和脉冲神经网络（SNN）异构融合，相比IBM TrueNorth芯片，支持更多算法，且密度提升20%，速度快10倍，带宽提高100倍，精度可调，扩展性和灵活性也更好。

在清华东操场上，一辆搭载天机芯的自行车实现了自平衡、目标探测跟踪、自动避障、语音理解控制、自主决策等功能。

今年3月，台湾国立清华大学（NTHU）模拟果蝇视神经功能，研发了一种存内计算AI芯片，能以超低功耗让无人飞行器（UAV）像昆虫一样实现自动避障。

同样在这个月，国际顶级学术期刊《自然》刊登了奥地利维也纳大学的一项新研究，模拟大脑对信息处理的方式，直接在图像传感器内实现了人工神经网络（ANN），将图像处理速度提升至传统技术的数千甚至上万倍。（AI芯片新玩法！图像处理速度提升2万倍，传感器当神经网络用）

▲ 输入信息在视觉传感器内进行计算，实现智能高效的预处理

上海AI芯片创企西井科技也涉足了神经拟态芯片的研发，参考仿生类脑处理方式，打造了嵌入式“片上学习”AI芯片DeepWell、深度学习加速器Vastwell和SNN类脑运算平台。

西井科技主攻智慧港口、智慧矿场、智慧医疗等垂直应用场景的AI解决方案，是最早实现港口无人驾驶落地的AI企业。就在今年4月，西井科技完成了过亿元的新一轮融资。

法国芯片公司Kalray是片上超算的开创者，2008年成立，其最新芯片Coolidge可用于加速数据中心和汽车应用中的AI。在今年年初的国际消费电子展（CES 2020）上，Kalray展示了Coolidge芯片的AI用例。

Kalray首席执行官Eric Baissus认为，其自研大规模并行处理器阵列（MPPA）架构与一些神经拟态方法相似。在他看来，市场足够大，会有很多适用于不同类型架构的应用程序，他相信我们会看到更多有趣的神经拟态产品。

▲ Kalray MPPA架构

结语：创新是拓荒者对未来的馈赠

“在科学上，每一条道路都应该走一走，发现一条走不通的道路，就是对科学的一大贡献。”爱因斯坦曾如是说。

当前，无论是将生物神经元与硅基芯片融合的混合芯片，还是模仿人脑的神经拟态芯片，距离真正的大规模商业应用还相对遥远。任何涉及改变传统系统思维方式，在通往落地的道路上必然会经历市场长期的考验。

每一个创新架构的诞生，未必会立即与当下应用场景相契合，但这并不代表其创新是做无用功。这些连接硅基物体和碳基生命的奇妙构想，谁能断定不是对未来技术的一瞥？

原标题：《深扒全球仿生芯片计划！15+公司已入局，人造大脑通往未来计算之门》

阅读原文