1965年，英特爾創始人Gordon Moore首次提出摩爾定律，并于1975年進行修正。根據摩爾定律，技術進步將使集成電路(微芯片)的集成度大約每18-24個月翻一番。摩爾定律問世時，集成電路問世才6年，Moore實驗室在一個芯片上還只能集成50個晶體管。50年后，最先進的芯片可以集成10幾億個晶體管。但是，我們現在面臨一個問題：摩爾定律，還能延續多少年?

    是的，在過去50年，傳統數字計算機的性能在不斷提高。集成電路的技術進步一方面使得硬件變得越來越強大，另一方面也給尋求優化算法性能的系統架構師帶來了挑戰。

    類腦計算

    下一代高性能、低功耗的計算機系統需要像大腦學習。

    隨著設計者從通用的計算機技術轉向大腦啟發(神經形態)系統，他們也必須從支撐通用機器的既定形式層次結構中走出來。也就是說，抽象框架廣泛地定義了軟件是如何被數字計算機處理，并轉換成在機器硬件上運行的操作的，這種層次結構有助于實現計算機性能的快速增長。

    通用計算機設計的一個重要特點是軟硬件去耦合，而這一特點使得新設備(芯片、內存等)能夠獲得最佳性能。通過設置對硬件的最低要求，將用高級語言編寫的軟件程序，轉換成任何機器所需的精確等效的指令序列變得可行，這一過程稱為編譯。在這個編譯過程中，支持使用代表基本計算操作的指令的計算機被稱為圖靈完備。因此，軟件代碼通常只寫一次，然后可以在多個圖靈完備的處理器架構上編譯和執行，以產生等效的結果。

    圖1 在計算機硬件上，基于層次結構實現算法

    然而，人們普遍認為，摩爾定律時代即將結束：數字計算機能力的進步速度似乎正在放緩。此外，數字計算非常耗能，促使人們尋找替代方案。

    傳統計算機依循馮·諾依曼架構設計，存儲與計算功能分離。每進行一次運算，計算機都要在內存和CPU兩個區域之間來回調用，大數據處理效率有待提高。除此之外，因為在存儲與計算空間之間來回調用，芯片的能耗大部分轉化為熱量，既不利于設備的性能穩定，又不環保。

    類腦芯片就不一樣了，人腦中存儲與計算功能是合二為一的。科學家們長期以來一直對大腦的計算能力著迷，大腦不僅具有難以置信的能效，而且由于其神經元和突觸的架構，還擁有獨特的信息處理性能。類腦芯片可以模擬人腦的復雜處理能力，啟發了神經形態計算領域，一個使用大腦神經網絡結構作為下一代計算機基礎的研究領域。

    神經形態計算的重點通常是脈沖神經網絡——由相互連接的人工神經元組成的系統，其中每個神經元在激活水平達到閾值時都會表現出短暫的“脈沖”。與現代深度學習應用中常用的人工神經網絡相比，這種系統更類似于生物神經網絡。神經形態硬件已經產生了一系列的格式，包括數字和模擬。然而，大多數系統都有共同的設計原則，例如內存和處理器的協同定位。

    開發神經形態硬件應用一個挑戰是，目前不存在圖靈完備性等形式層次。相反，每個新的芯片架構都需要一個定制的軟件工具鏈，即一組編程工具來定義算法，并通過將它們映射到獨特的硬件上來執行它們，這使得很難比較執行相同算法的不同神經形態系統的性能，并且需要研究人員理解算法和硬件的所有方面，以獲得潛在的類似大腦的性能。

    厚積薄發

    清華大學施路平團隊長期致力于類腦計算領域的研究。2015年，第一代“天機芯”DEMO問世，制程約為110納米。2017年，第二代“天機芯”芯片制程為28 nm。

    2019年7月31日，施路平團隊以Towards Artificial General Intelligence with Hybrid Tianjic Chip Architecture為題，在Nature封面論文報道了第三代天機芯片，通過無人駕駛自行車上的實驗演示，實現了機器學習和類腦算法的完美結合，標志著中國在人工智能領域進入了關鍵時刻。

    時隔一年之后，2020年10月15日，清華大學施路平、張悠慧等人又一次在Nature發表類腦計算的最新研究成果。他們定義了一個新的層次結構，將算法的要求及其在一系列神經形態系統上的實現形式化，從而為結構化的研究方法奠定基礎。在該方法中，受大腦啟發的計算機的算法和硬件可以分別設計。值得一提的是，在這兩個重大研究成果中，施路平教授都是通訊作者，而張悠慧教授都是第一作者之一，并在最新的Nature論文中擔任通訊作者之一。

    這一次，清華大學施路平、張悠慧研究團隊提出了一個突破性解決方案，他們稱之為神經形態完備性。這是對圖靈完備性的認可，旨在將算法和硬件開發分離開來。

    作者提出，如果一個類大腦系統能夠以規定的精確度執行一組給定的基本操作，它就是神經形態完備的，這是對圖靈完備性的一種偏離。在圖靈完備性中，一個系統只有在為給定的一組基本運算提供了精確且同等的結果時，才能被定義為完備的。

    神經形態完備框架

    在提出的神經形態完備框架中，基本操作包括兩種，稱為加權和操作和元素校正線性操作，這使得硬件系統能夠支持脈沖和非脈沖人工神經網絡。作者展示了他們的大腦啟發計算的層次結構如何提供一種機制，將給定的算法轉換成適合一系列神經形態完整設備的形式。

    新層次結構的一個關鍵亮點在于，提出了一個連續完備性——可以接受不同級別的算法性能，這取決于神經形態系統執行基本操作的準確性。這種完備性的連續性意味著，新的層次結構可以使用所有可用的模擬和數字神經形態系統來實現，包括那些為了執行速度或能量效率而犧牲準確性的系統。

    圖2 類腦計算機層次結構(左)與現有通用計算機(右)的對比

    完備性的連續還允許算法的在同一硬件上的不同運行。例如，探索如何根據芯片大小來權衡算法精度，以降低功耗。研究人員在三個任務的算法執行中展示了這一方面(“駕駛”無人駕駛自行車、模擬鳥群的運動以及執行稱為QR分解的線性代數分析)。每個任務使用三個典型的神經形態完備硬件平臺來執行：作者自己的神經形態芯片，通用計算機中使用的圖形處理單元，一個基于憶阻器設備的平臺，可以加速神經網絡的運行。

    這種層次結構具有極大的創新性，主要表現為兩點：

    1)能夠比較實現相同算法的等效版本的不同硬件平臺，以及在相同硬件上實現的不同算法。這兩個都是對神經形態架構進行有效基準測試的關鍵任務。將通用的圖靈完備硬件(GPU)包含在他們的驗證實驗中也是非常有價值的，因為這表明在某些應用中，層次結構可以潛在地用于證明神經形態設備優于主流系統。

    2)有可能將算法和硬件開發分開。如果要獲得底層神經形態架構的益處，算法規模和復雜性將需要隨著時間的推移而增加。因此，這種分離將有助于研究人員專注于研究問題的特定方面，而不是試圖找到完整的端到端解決方案。這可能會導致對問題的更好理解，并為未來更高性能的神經形態系統的設計提供信息。

    結語

    面對即將到來的計算機架構發展黃金十年，類腦計算被認為是最有希望的方案之一。

    清華大學團隊所提出的類腦計算系統設計思路，是在現有計算機架構基礎上，加入類腦計算芯片、從而引入空間復雜性和時空復雜性。這樣既可以保持原有計算機處理結構化信息的的優勢，又可以利用類腦計算芯片提升處理非結構化信息的能力。

    團隊將堅持計算機科學和神經科學融合的技術路線，并充分利用新型非易失性存儲器件(包括憶阻器)的特殊性質，發展適合這些器件的新的計算模型和算法，構建完全新型的智能計算體系。