生物行移动版

自20世纪80年代起，神经形态计算作为模仿大脑神经网络结构与功能的技术，逐渐引起学界关注。该技术旨在通过硬件模拟神经元和突触的工作机制，实现低功耗、高效率的计算方式，具有广阔的应用前景，包括智能机器人、神经假体和脑机接口等领域。

1982年，加纳出生的生物工程学者Kwabena Boahen获得了他的第一台电脑，回忆起那段经历，他表示：“那是一台非常酷的机器。”他在观察电脑工作原理时，曾直觉感受到，未来的计算机应具有更像大脑的“非洲式”分散、流动和弹性的特性。如今，作为美国斯坦福大学的研究员，Boahen正带领团队通过大脑逆向工程，探索神经形态计算的实现路径。

大脑的神经网络以极高的能效完成复杂任务：理解语言、抽象推理、运动控制等，全部在一个比鞋盒还小的空间内完成，耗能甚至低于普通灯泡。这一效率远超传统计算机系统。为了复制这一特性，研究人员开发了非数字芯片系统，模拟神经元网络的工作机制。多年前，Boahen开发的“神经网格”装置已能模拟一百万个神经元，相当于一只蜜蜂的大脑。经过25年的发展，神经形态技术逐渐成熟，有望支持从智能手机到机器人、人工视觉和听觉设备的低功耗微型系统。

瑞士苏黎世神经信息学研究所的Giacomo Indiveri指出，神经形态硬件不仅推动技术创新，也为神经科学提供了强大工具。通过在硬件上模拟神经功能模型，科学家可以更深入理解大脑的工作原理，揭示神经系统的结构与功能关系。

“我的目标是开发一种新的计算模式，即使在组件极其微小的情况下也能实现运算。”Boahen强调。

神经形态技术的思想源自20世纪80年代Carver Mead的研究。Mead是微芯片设计的先驱，他提出利用“亚阈值”硅电路模拟大脑低能耗处理过程。在极低电压下，晶体管中微小的电子流模仿神经元中的离子流，形成微小的电路网络。这些电路可以在分散的网络中连接通信，无需中央处理器，极大地降低能耗。

90年代，Mead和团队成功建立了硅神经元网络，模拟大脑低能耗运行的关键机制。与传统计算机持续供能不同，神经形态芯片只在必要时消耗能量，表现出更接近生物神经系统的特性。

然而，神经形态系统仍面临诸多挑战。Boahen加入Mead实验室后，致力于解决芯片间大规模通信难题。早期的系统难以实现神经突触的可塑性，限制了学习能力的模拟。此外，制造过程中不可避免的变化导致芯片性能存在差异，影响系统的稳定性和可预测性。为此，部分研究团队采用传统但能模拟单神经元电学性能的系统，牺牲了部分能效以增强可控性和可编程性。

这些技术的突破激发了将神经形态硬件应用于实际设备的热情。Boahen正推动基于人工大脑Spaun的项目，利用神经形态硬件构建具有视觉、运动和决策功能的模型。该项目由加拿大滑铁卢大学的神经科学家Chris Eliasmith开发的神经回路编程语言支持，只需设定目标功能，系统即可自动生成对应的神经网络。

“我非常激动，因为这是一种将硬件与神经科学结合的创新尝试。”Boahen表示。美国海军研究办公室已为此项目提供资金，计划在三年内完成原型，五年内实现完整系统。未来，该技术有望应用于自主机器人，使其在极低能耗下实现复杂环境交互，甚至超越现有自动化水平。更长远来看，神经形态芯片或将成为各类智能设备的核心处理单元，推动计算技术的革命。

“不过，我们还需要不断尝试和验证。”Boahen总结道。