http://pansci.tw/archives/50530
仿人类神经元的电脑芯片可以用更少的能量做更多事！
夸比纳‧鲍恩(Kwabena Boahen)在1982年时得到他第一台电脑，当时他只是个住在加纳首
都阿克拉的青少年。他回想道：“那是一个很酷的装置。”只要将储存用的卡带机和充作
萤幕的电视连接在一起，就可以开始写程式。
但是当鲍恩发现电脑的运作原理时，他有点失望：“当我知道电脑的中央处理器（CPU）
必须不断将数据在RAM和ALU之间来回处理时，我心想：‘天啊！CPU竟然要这样疯狂运作
到死，电脑才能用。’”当下他直觉地想说电脑的设计需要一点“非洲元素”：多一点分
散和流动，不要那么死板。
鲍恩现在是加州史丹佛大学的生物工程师，跟一群研究员试图透过对脑的反向工程，开发
出这种“分散又流动”的计算模式。人类的大脑其实是一个高效又节能的器官，用没那么
完美、又慢又杂乱的的神经元，就可以处理一些对世界上最厉害的超级电脑而言都很棘手
的问题：理解语言、抽象思考还有控制动作等。
而这个比鞋盒还小的脑，不但不需要用到中央处理器，还只用了比家里电灯泡还少的能量
。为了让硅芯片达到同样的效率，研究人员想要做出非数位式的芯片，尽量模拟生物神经
元运作的方式。就在几年前，鲍恩的团队制作出一个能够模拟一百万个神经元运作的装置
——Neurogrid（神经网络），相当于一只蜜蜂脑中的神经元数量。
在经过将近四分之一世纪的研究，仿神经型态技术（neuromorphic technology）的应用
趋于成熟。这种技术被看好能应用在任何体积小、追求低耗能的装置上，像是智慧型手机
、机器人，甚至人造眼、人造耳等。因此过去五年来，这种技术吸引了很多投资人，在美
国和欧洲投入数亿美金研发。
“仿神经型态装置也提供神经科学家一个有力的研究工具。”瑞士苏黎世大学神经资讯研
究所（Institute of Neuroinformatics，INI）的贾科莫‧印地维里（Giacomo Indiveri
）表示。在这些装置上实地测试各种神经功能理论模型，可以帮助科学家了解大脑的运作
方式。
不仅如此，仿神经型态技术也可以使芯片突破摩尔定律的物理极限。摩尔定律由英特尔创
办人戈登‧摩尔提出，指积体电路上可容纳的电晶体数目，约每隔24个月便会增加一倍，
而这个趋势已经持续超过半世纪。照这电晶体不断缩小的趋势，总有一天这些电路会因太
小太过紧密，让电子逸出零件互相干扰，讯号不稳。有些工程师尝试用软件的方法解决，
例如目前已用在让网络跑得顺畅的统计误差校正。不过最终而言，鲍恩认为最佳的解决方
法还是生物在几百万年前就发展出的模式：大脑。
“我的目标是一个全新的计算方法，一个即便零件太小而不够可靠，仍然可以进行计算的
方法。”鲍恩说。
硅胞
仿神经型态技术的起源可以追溯至世界知名的微芯片设计先驱－加州理工学院的卡佛‧米
德(Carver Mead)，他在1980年代发明了这个词，并且着迷于大脑不同凡响的能源效率。
米德说他深深地被这个问题吸引：“到底脑是怎么用这么少能量完成这么多事呢？”
于是米德想到了一个方法：用亚阈值(sub-threshold)的硅芯片，也就是在低于可以让电
脑位元从0跳到1的电压下运作的电路，模仿大脑低耗能的运作方式。在这样的电压下，仍
然会有微弱但不稳定的电子流流过电晶体，自发性地消长，就像是离子透过离子通道进入
神经元，所引起的电位消长。米德认为若加上微型电容电阻及其他零件来控制电流，这种
微型电路就可以互相连结形成网络，像脑中的生物神经元一样，分散处理各种资讯，而不
是把中央处理器操到死。[1][2]
到了1990年代，米德和他的同事证明了制作仿真硅神经元是可行的。该装置可以透过模仿
神经元突触的接点，接受外界输入的电子讯号，这些讯号会像在神经元内一样地在电子回
路中合成，若是这些讯号加总后高于阈值，这些硅神经元才会兴奋产生神经冲动，沿着如
同轴突的线路，跳跃传递神经冲动。虽然说这种讯号传递的全有全无律，可以说是数位式
的（只有0和1），但仿真硅神经元主要的运转基础（把讯号加总），却跟生物神经元一样
都是非数位的，不若传统芯片的电压和电流是一些特定不连续的数值。[3]
这样的话，在足够强的刺激使硅神经元兴奋产生神经冲动之前，只需要用很少的能量来合
成输入讯号，就像低耗能的脑一样。相反地，不管有没有在计算任何数据，传统的芯片都
需要持续的能量供给电流，以维持中央协调所有零件的计时器。不只如此，米德的团队也
打造出了分布式神经资讯系统回路，可以说是硅芯片版本的视网膜。这个装置以50×50的
侦测器网侦测光线，并且为了像大脑一样节省能量，仿真硅神经元不会一直发送讯号，只
有在光线亮度显著改变时才会兴奋产生神经冲动，传送到显示器，就像是视网膜对于光线
、阴影和动作的侦测模式。这样能够有效地区辨移动中的物体轮廓，同时最小化需要传送
和处理的数据量。
[4]
写程式的挑战
鲍恩在1990年代加入米德的实验室，他说：“那时候研究人员可以充分掌控仿视网膜的单
一硅芯片，但现在我们想要做的是像大脑一样的装置，这代表我们需要更大规模的芯片间
通讯技术。”这是一个很大的挑战，因为现有的芯片间通讯算法是建立在精确的数位讯
号上，无法套用在这套使用非数位式杂乱讯号的仿神经型态系统上。于是在鲍恩与其他研
究人员的努力下，针对这套仿神经型态系统，设计出新的算法和电子回路，才引发了大
规模仿神经型态系统的风潮。其中一个应用是，提供给神经科学家测试其大脑功能理论模
型的大型仿真模拟器。
举例来说，在2006年的九月鲍恩发起了前述的Neurogrid神经网络计画，希望能够成功模
拟一百万个神经元的活动。虽然相较于人脑中860亿个神经元而言微不足道，但已经足够
建构出大脑皮质上，被认为构成大脑基本运算单位的几个互动密切的细胞柱(column)。神
经科学家可以设计程式在Neurogrid上，以大脑运作速度，跑几乎任何大脑皮质功能模型
，像是：工作记忆、决策和视觉注意力等等，比在传统的数位芯片上模拟快了几十万倍。
“以实际效率和精确度来说，鲍恩的Neurogrid的确是领先其他大规模仿神经型态系统。”一起开
发仿真硅神经元的苏黎世大学神经资讯所(INI)共同创办人罗尼‧道格拉斯(Rodney
Douglas)如是说。
“不过没有任何系统是完美的。”鲍恩自己迅速地指出。Neurogird有一个很大的问题是
其突触设计，每个仿真硅神经元平均有5000个突触，其简化的设计使得突触没有办法被个
别调整，但是人脑中的神经元突触是会随着经验被修饰的，无法随着经验改变了话，就无
法记忆并学习。这个缺点使得科学家无法在Neurogrid上测试学习模型。若要每个突触跟
生物神经元一样能够随经验改变，同时间还能塞在芯片有限的空间里，必须把电路缩小一
千倍到奈米尺度。目前的技术还无法做到，不过最新开发的奈米尺度内存“memristors
”日后也许可以解决这个问题。
另一个问题是组建Neurogrid时无可避免的变异性，导致每个Neurogrid芯片有些微不同。
“虽然这个差异已经比大脑中的神经元小了。”鲍恩说，这代表Neurogrid的程式必须去
处理仿真硅神经元各异的反应速度。这个问题使得一些研究人员放弃了米德的亚阈值硅
芯片。他们转往用传统的数位式芯片，模拟个别神经元的活动，代价就是需花费较多的
能量，但也是为了以大脑实际运作的速度，模拟大脑大规模的活动来测试理论模型。
其中一个重要的计画是由英国曼彻斯特大学的电脑工程师史蒂夫‧费博(Steve Furber)所
领导的SpiNNaker Project(脉冲神经网络结构)。SpiNNaker奠基于费博本人协助研发的
ARM处理器，也就是智慧型手机里的处理器，此计画目前可以模拟五百万个神经元的活动。
科学家的另外一个尝试是维持之前的仿真硅神经元芯片（非数位式），但增加其运作速度
，比实际的大脑跑得快很多。不若Neurogrid是精确模拟大脑的运作速度，德国海德堡大
学的加速器物理学家卡尔‧海因次‧迈耶 (Karlheinz Meier) 所领导的European
BrainScaleS Project，目前能够以比大脑快一万倍的速度，模拟约40万个神经元的活动。
虽然说这代表处理同样的讯息量需耗掉比大脑多一万倍的能量，但对脑科学研究很大的好
处是：“我们因此可以在十秒内模拟完大脑一天内的神经活动。”费博和迈耶两人的计画
都在最近得到更多资金援助。在欧盟十月正式上路的十年十亿欧元的人类大脑计画(Human
Brain Project)中，拨给仿神经型态技术约一亿欧元的经费，让费博可以将其计画增加
至模拟五亿个神经元；迈耶则有望模拟多达四百万个神经元。
这些仿神经型态芯片的成功，燃起了世界对其应用的兴趣，想运用其超低耗能的特性在手
机和机器人上。不过对电脑业界来说，并没有那么急切的需求，因为现阶段要减少体积、
提升效率，只要简化电路设计或是使用平行运算的多核心系统就行了。现行的传统方法也
就只能做到如此。因此，除了纯学术的研究，美国国防高等研究计画署(Defense Advanced
Research Projects Agency)也花了将近一亿美金在自己的SyNAPSE（突触）计画上，开发
小巧低耗能的仿神经型态技术。
其中主要的承包商IBM，就拿这笔钱开发256位元的数位式仿神经元芯片，作为以后大规模
系统的基本单位。开发人工脑鲍恩则是自己想办法开发新应用，从Spaun开始。Spaun
(Semantic Pointer Architecture Unified Network)是一个在超级电脑上面跑的脑功能
仿真模型，可以接受视觉刺激、控制机械手臂甚至做决策。其程式语言，是在十年前由加
拿大滑铁卢大学的理论神经科学家克里斯‧伊里亚史密斯(Chris Eliasmith)所开发。使
用者只需要告诉系统想要执行的功能，例如移动机械手臂，系统就会自动帮你设计好相对
应的神经网络来控制其动作。
伊里亚史密斯及其团队在传统电脑上测试Spaun，结果Spaun可以用250万个模拟神经元、
模拟视网膜和模拟手臂，完成抄写手写的数字、回想清单上的项目、推论出数列中下一个
数字等认知测验。[5]这绝对是模拟脑功能史上空前的进展，唯一的问题是其运作速度只
有大脑的九千分之一，要模拟大脑一秒的运作就得花上两个半小时。因此鲍恩向伊里亚
史密斯提议：用Spaun的软件系统在鲍恩的仿真硅神经元硬件上，用大脑的真实速度模
拟大脑功能。
伊里亚史密斯为此感到十分兴奋：“我们就像各自手上有花生酱和巧克力，加起来就超好
吃的！”他们合作拿到了美国海军研究总署的计画补助，计画在三年内做出小型的样品，
五年内完成完整的系统。就像人脑有感觉神经输入外界讯息，运动神经输出动作指令，这
个新系统会配备INI制造的仿神经型态视网膜和耳蜗，配上机械手臂表现动作。但相当于
大脑的核心认知功能，却是要从零开始。
“这不是新版的Neurogrid计画，而是全新的设计构造。”鲍恩说，为了更实用，会牺牲
一点仿真度，做出“非常简单、非常有效率的几百万个硅神经元”。毕竟这个系统是为了
应用在实际需求而建立的，而不是为了研究大脑功能的理论模型。鲍恩期许在五年内能
研发出，“完全独立自主跟环境互动学习的机器人，同时其大脑只消耗跟手机一样的电力
。”
长远来看，这个计画的成果可以从机器人拓展到电脑，提供电脑小巧且低耗能的处理器。
如果研究人员能够掌握大脑超高效率运作的秘密，也许能够避免如今不断缩小的芯片即将
到达极限的命运。“虽然我们不确定我们的方法有没有用，但是没试过怎么会知道？”鲍
恩表示。