編者按：本文來自微信公眾號“機器之能”（ID：almosthuman2017）,，作者 | Liesbeth Venema，編譯 | 張震,、chenxiaoqing,，來源 | 新科學(xué)家；36氪經(jīng)授權(quán)發(fā)布,。

大數(shù)據(jù)讓傳統(tǒng)計算機架構(gòu)捉襟見肘,，真實憶阻器的發(fā)現(xiàn)改變了這一局面。其元件特性適合模擬神經(jīng)元突觸的部分運作,，使得電腦神經(jīng)網(wǎng)絡(luò)制作上更能接近人腦,。目前，一些科技巨頭,、創(chuàng)業(yè)和研究機構(gòu)已在探索利用憶阻器強化計算機學(xué)習(xí)能力甚至取代普通晶體管計算機的路徑,。

我們可以談?wù)撊斯ぶ悄苷莆找恍┤祟惐绢I(lǐng)，比如開車或者玩撲克,。但是,，當(dāng)需要讓海量、無序信息變得有意義時,，人類還無法打造一個哪怕是接近大腦的 AI,。部分原因在于大腦未解之謎，以及已有半世紀(jì)歷史的計算機架構(gòu),，制約了這一目標(biāo)的實現(xiàn),。

如今，一種新的計算范式為突破瓶頸帶來曙光,。這種激進(jìn)方案使用了一種同時存儲,、處理信息的硬件，與大腦神經(jīng)元網(wǎng)絡(luò)的差別不是很大,。充分發(fā)揮這一新范式的潛力,，我們就能創(chuàng)造出可以實時分析數(shù)據(jù)流、識別模式,，或許還能獨立自學(xué)的機器心智（mind）,。

大數(shù)據(jù)時代，馮·諾依曼架構(gòu)捉襟見肘

筆記本,，智能手機,，平板電腦，只要你說上來的,，幾乎都遵循著馮·諾依曼結(jié)構(gòu),。70 多年前,，他主張計算機處理器與存儲單元應(yīng)該彼此獨立。聽起來不像是什么偉大的提議,，但這意味著每運行一個新程序,，沒必要再重新連接計算機。這種勞動分工的設(shè)計很湊效,，人類制造出更快的計算機,，辦法就是串聯(lián)處理器與內(nèi)存。

但是,，這一架構(gòu)也有短處,。

處理器需要數(shù)據(jù)信息，必須先從存儲單元讀取,。這就要求電子在兩個元件之間穿梭,，因此，處理器經(jīng)常覺得很無聊,，因為要等數(shù)據(jù),。你的筆記本為什么會有「多核」，這就是其中一個原因,；多個處理器單元——每一個都與內(nèi)存連接——意味著,，它們可以同時請求數(shù)據(jù)，從整體上加快計算,。

如今,，這一局限性真的開始妨礙到人類進(jìn)步。

數(shù)據(jù)比以往任何時候都要多,，特別是「大數(shù)據(jù)」革命正在臨近,。我們已經(jīng)可以瞥見未來的樣子：預(yù)測心臟病，數(shù)據(jù)預(yù)測分析比傳統(tǒng)醫(yī)學(xué)方法更快,、更準(zhǔn),。英國諾丁漢大學(xué)研究人員設(shè)計了一種算法，可以處理近 400,000 病人的電子病歷,，多么龐大的數(shù)據(jù)分析任務(wù),。隨著物聯(lián)網(wǎng)范圍延伸到我們身邊的日常事物，從交通燈到冰箱,，機器會為我們提供更多的生活洞見,。

應(yīng)用得當(dāng)，前景無限,。然而,，如此龐大的數(shù)據(jù)量已經(jīng)讓計算機過熱。美國能源部的一份報告顯示,，世界 5% 到 15% 的能源都被用于計算,，許多浪費在了數(shù)據(jù)的傳輸中,。這正是我們需要突破馮·諾依曼瓶頸的原因。

人們?yōu)榇诉M(jìn)行了許多嘗試,。上世紀(jì) 80 年代，科學(xué)家開始考慮利用光子而不是電子來編譯信息,。因為光子在光纖中的傳播速度更快,，所需傳播時間更少。其他人想要堅持使用電子,，不過希望將電子編碼進(jìn)量子力學(xué)特性（自旋）中,，讓電子攜帶更多信息。但是,，到目前為止,，這些辦法都沒有很大進(jìn)展，主要原因在于實施起來很復(fù)雜,，以至于投入產(chǎn)出不成比例,。

總而言之，多年來,，這個問題一直挑戰(zhàn)著人類智慧,，之所以很諷刺，是因為大腦本身就是一臺超級計算機,，但所需能耗與一只 20 瓦的電燈泡差不多,。它們不會存在類似馮·諾依曼結(jié)構(gòu)的瓶頸，因為同一個神經(jīng)網(wǎng)絡(luò)既可以存儲信息還可以處理信息,。

大腦三大關(guān)鍵特征與傳統(tǒng)模擬方法的弊病

那么,，如何模擬人類神經(jīng)網(wǎng)絡(luò)呢？這也是麻煩所在,。我們不可能完全知曉大腦如何工作,，不過，至少要模擬大腦的三個關(guān)鍵特征,。

首先,，大腦由大量的神經(jīng)元以及神經(jīng)元之間的突觸組成。其次,，這些連接具有突觸彈性,，也就是說它們可強可弱。學(xué)習(xí),，其實就是強化某組神經(jīng)元之間連接,。

第三個特征，脈沖時間相關(guān)的突觸可塑性 (spike-time-dependent plasticity),。相對前兩個特征,，這個特征沒有得到很好的理解,。該特征表明，如果兩個神經(jīng)元幾乎同時放電,，那么,，神經(jīng)元就會被加強；如果放電不同步,，就會變?nèi)?。?jīng)過這一漫長過程，協(xié)同工作的神經(jīng)元的關(guān)系會得到加強,，以傳遞信息,，不重要的聯(lián)系會被削弱。這就是大腦獨立學(xué)習(xí)的重要手段,。綠燈時,，你會立刻反應(yīng)到「可以走了」，因為經(jīng)過多年訓(xùn)練,，相關(guān)神經(jīng)元之間的聯(lián)系得到了強化,。

事實上，長期以來,，我們一直在試圖模仿大腦計算方式,。這個研究領(lǐng)域被稱之為神經(jīng)形態(tài)計算,，如今已取得一些進(jìn)步,。

最早突破之一，來自研究人員 Frank Rosenblatt,。1958 年,，他將研究成果 Mark 1 感知機公布于眾。Rosenblatt 對著機器的攝像頭展示了圓圈或三角型卡片,，讓機器進(jìn)行識別,，他來修正錯誤。50 次嘗試之內(nèi),，機器已經(jīng)學(xué)會輸入代表圓圈或者三角的信號,。

不過，當(dāng)時的電子工程技術(shù)限制了感知機的發(fā)展,。但是,，情況已今非昔比。谷歌的 DeepMind 神經(jīng)網(wǎng)絡(luò)的成績令人驚呼,，比如去年 AlphaGo 戰(zhàn)勝頂尖人類圍棋手,。

TMark 1 感知機

然而，DeepMind 神經(jīng)網(wǎng)絡(luò)完全是軟件層面的模擬，在標(biāo)準(zhǔn)硅電子元件上運行,。所以,，盡管和神經(jīng)元網(wǎng)絡(luò)學(xué)習(xí)方式類似，但并未突破馮·諾依曼結(jié)構(gòu)瓶頸,。

2014 年問世的 IBM TrueNorth 芯片走的更遠(yuǎn),。該芯片有 55 億個硅晶體管，按照人腦 100 萬個「神經(jīng)元」的結(jié)構(gòu)進(jìn)行排列,。有了這枚芯片,，手機可以實時識別視頻物體，比如汽車還是自行車,，但是所需電量很少,，僅為手機睡眠模式所需量,。聽起來很贊,，但是，如果將規(guī)模擴展到大腦神經(jīng)元級別,，其能耗將是人腦能耗的 1 萬倍?！高@個辦法實際上是一種浪費,?！谷鹗刻K黎世大學(xué)神經(jīng)形態(tài)工程師 Giacomo Indiveri 說,。

簡言之,，盡管想方設(shè)法模仿大腦某些特征,，但是,，我們從來未曾實現(xiàn)將這三大特征集中在一個物理系統(tǒng)上。比如,，TrueNorth 芯片擁有許多高度連接的「神經(jīng)元」,，但是，如果不借助軟件,，根本無法調(diào)節(jié)連接強度,。

憶阻器，機器獨立學(xué)習(xí)的未來

失敗要歸結(jié)于這樣一個事實：傳統(tǒng)電子產(chǎn)品還沒能力真去模擬神經(jīng)突觸,。但現(xiàn)在,，我們有辦法了，這要感謝半個世紀(jì)前的思想,。

1971 年,，加州大學(xué)伯克利分校的電子工程師 Leon Chua 正在看一道連接基本電路元件的方程式,，這些元件包括電阻、電容和電感。他突然注意到,，可以用另外一種方式安排這些術(shù)語，結(jié)果得到一個關(guān)于第四個元件的方程式,，這第四個元件的抗阻性會根據(jù)電流情況發(fā)生變化,。Chua 將之稱為「憶阻器」，因為它的阻抗性似乎展示出一種記憶能力,。但當(dāng)時并沒有以這種原理工作的材料或者設(shè)備,，人們幾乎忘記了這個發(fā)現(xiàn)。

約十年前,，惠普公司的一個由 Stan Williams 帶領(lǐng)的團隊正在研究一種新型內(nèi)存,，與臺式電腦不同，在關(guān)掉電源后,，新內(nèi)存仍然保留數(shù)據(jù),。研究人員研究著使用了極薄鈦膜的設(shè)備，他們發(fā)現(xiàn)其阻抗性會隨著經(jīng)過電流而發(fā)生奇怪的變化,。最終,，他們意識到薄膜中活動的不僅僅是電子，也有原子,，它們以微妙的方式反轉(zhuǎn)變化了材料結(jié)構(gòu)及其抗阻性,。易言之，這個團隊無意間創(chuàng)造出 Chua 憶阻器,。

Williams 的研究有助于解釋以前為什么從未發(fā)現(xiàn)過憶阻性,；因為只能在微觀尺度上自證存在。如今,，人們相繼發(fā)現(xiàn)一系列可充當(dāng)憶阻器的物質(zhì),，包括一些聚合物。

真實憶阻器的出現(xiàn)鼓舞了研究人員,，原因有幾個,，比如有可能開發(fā)出新的計算方式，其技術(shù)更成熟,、所用語言也比現(xiàn)在的更有效,。

但不久后，有人動真格了,。

緊跟 Williams 的發(fā)現(xiàn),，密歇根大學(xué)的工程師 Wei Lu 邁出關(guān)鍵一步。他向人們展現(xiàn)了這一事實：憶阻器可充當(dāng)具有彈性的突觸。他拿出了一個由幾層薄硅打造的設(shè)備（其中一層帶有少量銀離子）,，它可以模擬上述大腦的第二個特征,。后來，Lu 展示憶阻器也可以模擬大腦的第三個特征,；應(yīng)用電脈沖確切時點不同（exact timing of applied electrical spikes）,，憶阻器做成的突觸也會有強弱變化。

這項研究表明,，「對于神經(jīng)形態(tài)工程學(xué)來說,，這真是激動人心的時刻，」Indiveri 說,?！改壳皯?yīng)該放棄硅晶體管，」荷蘭格羅寧根大學(xué)物理學(xué)家 Beatriz Noheda 說,，聚焦研發(fā)成熟的,、使用憶阻器的神經(jīng)網(wǎng)絡(luò)。

看起來,，這只是擴展 Lu 研究成果的一個簡單案例,。盡管他的研究只有一個單獨的突觸（帶有一個輸入和輸出神經(jīng)元）,，但是,，結(jié)果已經(jīng)表明憶阻器可以實現(xiàn)三大重要大腦功能。接下來的研究會考慮搭建多層憶阻器神經(jīng)元網(wǎng)絡(luò),；每增加一層,，網(wǎng)絡(luò)就能進(jìn)行更加復(fù)雜的「思考」。

沒那么快,，位于加州的 IBM Almaden 研究實驗室的 Geoffrey Burr 說,。他說，Lu 所證實的脈沖時間依存的可塑性,，只是在小規(guī)模上可行,，但是，神經(jīng)科學(xué)家并不確定在人腦大規(guī)模學(xué)習(xí)上表現(xiàn)如何,?！冈谀撤N程度上，肯定會發(fā)生,，」他說,，「但是，我們還搞不清狀況,?！挂簿褪钦f，部署在大型人工神經(jīng)網(wǎng)絡(luò)，并不意味著可以帶來近似大腦的計算能力,。

Burr 更喜歡堅持沒有脈沖時間依存的可塑性的網(wǎng)絡(luò),。他使用的一個網(wǎng)絡(luò)類似驅(qū)動 DeepMind 的神經(jīng)網(wǎng)絡(luò)，軟件控制著彈性突觸,。但是,，通過在憶阻器上運行這些網(wǎng)絡(luò)（而不是晶體管），他能夠節(jié)省很多能源,。

2014 年,，Burr 搭建了一個這樣的網(wǎng)絡(luò)，用了差不多 165000 個突觸,。經(jīng)過手寫書信數(shù)據(jù)集訓(xùn)練后,，該網(wǎng)絡(luò)能夠準(zhǔn)確識別這些手寫書信。Burr 的憶阻器由一種硫系玻璃（a chalcogenide glass）制成,，這種材料能夠在原子有序或無序的兩相之間來回切換,，改變材料導(dǎo)性。這種相變憶阻器正變得越來越可靠,，芯片制造商們,，比如英特爾開始出售使用憶阻器的內(nèi)存設(shè)備。

其他人認(rèn)為,，憶阻器可以幫助實現(xiàn)完全獨立學(xué)習(xí)的機器,。

英國南安普頓大學(xué)納米電子學(xué)研究人員 Themis Prodromakis 就是其中一員。去年,，他搭建了一個神經(jīng)網(wǎng)絡(luò),，有四個輸入，兩個輸出神經(jīng)元,，用憶阻器突觸將它們連接起來,。他可以輸入電子信號，比如「1001」或「0110」,，這與 20 世紀(jì) 50 年代向感知機展示圓圈或三角形類似,。不過，感知機需要人類告訴機器有沒有猜對圖形形狀,，但 Prodromakis 的網(wǎng)絡(luò)完全自學(xué),，看到 1001 就發(fā)送（fire off）一個輸出神經(jīng)元，看到 0110 就發(fā)送另外一個,。即使是帶有噪音的信號輸入,，它也能正常運行。鑒于真實生活數(shù)據(jù)充滿噪音,，這是一個非常重要的優(yōu)勢,。

最后,，我們似乎正利用憶阻器重新創(chuàng)造大腦真實狀態(tài)（比如，當(dāng)你望向窗外時）的精華部分：不存在瓶頸的獨立學(xué)習(xí),。

適當(dāng)加以擴展,，這類自我學(xué)習(xí)系統(tǒng)就能實時篩查數(shù)據(jù)，比如,，監(jiān)測自動駕駛汽車行為,、橋梁完整性或者核電站，對龐大數(shù)據(jù)存儲中心（比如,，為社交網(wǎng)絡(luò)存儲數(shù)據(jù)的中心）的需求也會減少,。由于需要冷卻，這些中心有時會建在北極附近,。但是,，如果憶阻器網(wǎng)絡(luò)能夠?qū)崟r解析數(shù)據(jù)，那么,，可能就不需要存儲數(shù)據(jù),。

由憶阻器制成的電腦還有一個潛在的優(yōu)勢：因為運行原理類似大腦，因此,，與人類連接或許會更容易些?，F(xiàn)在已有一些使用硅芯片的設(shè)備，它們可以獲取大腦運動進(jìn)而將其轉(zhuǎn)交給現(xiàn)實世界的東西,，比如,，癱瘓人控制體外骨骼，或者在睡夢中控制電腦,。

但是,，挑戰(zhàn)依然不少,。大腦神經(jīng)元行為極為復(fù)雜,，現(xiàn)有的神經(jīng)接口很難處理所有那樣的信息?！敢娮釉幚砣绱素S富,、高寬帶的數(shù)據(jù)，會讓它不堪重負(fù),?！筆rodromakis 說道。憶阻器,，是一個完美解決方案,，因為它們只記錄表現(xiàn)脈沖顯著的信號，忽略嘈雜的背景,。這讓 Prodromakis 興奮不已,，最近,，他開始與 Galvani Bioelectronics 合作研發(fā)基于憶阻器的神經(jīng)接口。Galvani Bioelectronics,，一家去年成立的英國公司,，源自 GlaxoSmithKline 和谷歌子公司一個 5.4 億英鎊合作項目。

困擾憶阻器網(wǎng)絡(luò)的最大問題之一,，是能否高效量產(chǎn),。運行良好的工廠可量產(chǎn)硅芯片，但也同樣適用于憶阻器嗎,？

想找到答案,，首先需要挑選最佳制造原料。Noheda 已在 Groningen 建立了一個研究中心從事這方面的研究,。如果她和其他憶阻器先驅(qū)們獲得成功,，那么，未來計算機可能會由那些四十年來,、我們一度認(rèn)為不存在的材料打造而成,。