第 98 节 更接近生物大脑的 AI 芯片（第1页）

AI 的终极目标是做到类似生物大脑。生物大脑可以在结构上（作为架构）或功能上（作为行为）被模仿。组成 DNN 的神经元虽然也是模仿生物大脑，但它是一种过于简化的模型。

一些神经形态学方法试图模仿突触和神经元的脉冲信号，做成类似于生物大脑的芯片。具体来说，就是在电路中再现神经元的细节和机制。但是，细节化的神经元的电路尺寸太大，并不适合半导体芯片集成。因此，目前唯一可以集成的类脑神经网络是脉冲神经网络（SNN，见第 5 章），基于这种网络所实现的芯片属于类脑芯片。

在这种网络中，突触可以用存储器实现，通常是 SRAM。然而，为了减小面积、降低功耗，很多研究人员正在积极研究用 RRAM、PCM 和 MRAM 等非易失性存储器（NVM）来作为突触器件。使用单个器件而不是复杂的电路实现突触，就可以轻松地扩展集成规模。而神经元行为可以用模拟 CMOS 电路建模，使用生物神经元所需的尽可能多的不同脉冲形状进行信息传递和处理。虽然忆阻器技术目前还未完全成熟，在实际硅片中仅实现了有限的阵列规模，只能适用于小型应用，但是在未来，基于忆阻器的类脑芯片很可能会实现商业应用，并批量生产。

因此，从 AI 芯片的发展来看，研发的「主战场」必然会从深度学习 AI 芯片转到类脑芯片。神经形态计算和存内计算等技术是很有希望实现 AI 功能的方向。类脑芯片不但使用传统的 CMOS 技术，而且将会用基于忆阻器的新型器件来实现。若干年之后，类脑芯片很可能将在各类 AI 芯片及各种 AI 应用中占据主要地位（见图 17.6）。

英特尔在 2020 年 3 月宣布的基于 SNN 的 Pohoiki Springs 系统，已经达到了相当高的智力水平。它所模拟的神经元数量和突触数量已经与老鼠的大脑相当。尽管如此，这样的「大脑」仍然无法在自然环境中执行一些
（本章节未完结，点击下一页翻页继续阅读）