據耶魯大學站點報道。耶魯大學研究人員研究創造了模擬人類認知的計算機晶片，當中一個是TrueNorth。它是神經形態晶片的一個先驅性樣例——仿效大腦的新一代計算機電路。

想象一下，假設你在辦公室裡工作，一旦你完畢了一項任務，你就必須等到其它小隔間裡的每一個人都完畢了他們正在做的工作，你才幹夠繼續進行下一項任務。

這就是大多數依賴同步電路的數字裝置的工作方式。內建時鐘同意完畢每一個計算功能的時間同樣。基於由1和0組成的二進位制系統，它是可靠的，但它也意味著系統執行速度僅僅能和鏈中最慢的函式一樣快。

約翰·C·馬龍（John C. Malone）的電氣project與電腦科學教授拉吉特·馬洛哈(Rajit Manohar)說，“在有時間限制的執行中，全部東西（包含你不須要的東西）都必須符合時間預算。所以。除非你讓一切變得更快，否則你的晶片將無法執行得更快。”

甚至在Siri和Google Home成為我們的家庭伴侶之前，我們就已經有了將電腦人格化的傾向。長期以來，人們通經常使用“思考”來談論計算機，並將其歸因於與大腦相關的特徵。但其實，傳統計算機的功能與大腦全然不同。可是，電腦科學與人類大腦正越來越接近。

當中一個跡象便是TrueNorth晶片。這是一個4平方釐米的晶片。擁有54億個電晶體，以及100萬個通過2.56億個“突觸（synapses）”進行通訊的“神經元（neurons）”。拉吉特·馬諾哈爾（Rajit Manohar）從他擔任美國康奈爾大學(Cornell)教職工時起，就開始與IBM的一個研究團隊合作，經過多年的努力，終於促成了TrueNorth。TrueNorth由國防高階研究計劃局（DARPA）資助，作為該機構自適應塑料可升級電子系統（SyNAPSE）計劃的一部分，它是神經晶片的一個開創性的樣例——一種模仿大腦的新型計算機電路。其大小相當於一張郵票，它可能是一場怎樣製造和使用電腦的革命的開始。

馬諾哈爾從他在非同步系統（他的一個研究專業）的工作來到了這個專案。

在具有這類電路的裝置中。每一個函式都被同意儘可能少或多的時間來完畢它的任務。

“這就像一場接力賽——當你在那裡的時候，你把接力棒遞給下一個人，”他說。為了同意更大的複雜性和更少的能量使用。全部這些函式都以非同步和並行的方式工作——就像神經科學家們覺得大腦是怎樣運作的一樣。“非常明顯，進入你大腦中的每一個神經元，不會有單一的、經過細緻同步的訊號，所以，非同步似乎是思考計算怎樣發生的一種自然的方式，”馬諾哈爾說。

雖然非同步系統通常被覺得是電腦科學中的一個新的分支，但它們的起源能夠追溯到現代計算機的早期版本號。馬諾哈爾指出，甚至自20世紀40年代發展起來的現代計算機的藍圖（“馮·諾依曼”機器）也解釋了非同步計算是有利的。很多早期的機器都是這樣建造的，但計算機結構非常快就變得複雜起來，包含了更多的電線。

確保訊號在機器內部被正確傳送和接收變得更加複雜。這須要一個內部計時器來確保一切正常運轉，而同步電路便成了“王法”。

然而。這些機器雖獲得了有序性，卻犧牲了速度。

舉個樣例，你手機裡的CPU。它以1GHz的速度執行——每秒10億步——所以每一步都必須在1納秒內完畢。不管你計算的是什麼。都必須被分成相等的時間塊。

就算一個步驟完畢得早，你也必須等待。那就等於浪費了非常多時間。

“坦白地說。在計算中，讓每一個單獨的計算模組花費的時間都同樣。你非常難做到，”他說。

“並不是全部計算都難度相當。”

假設一個步驟太長，就會錯誤發生。在這樣的情況下。流程必須被分解成更小的步驟，或者步驟的大小必須更大——這將減緩其它程序。

然而。直到20世紀80年代。這一點才引起人們的廣泛關注：晶片開始變得越來越大、越來越複雜，並且用於保持計算能力的時鐘執行得越來越“貴”——佔晶片功耗的20%。“所以人們在80年代初又開始研究非同步電路了。

”

TrueNorth的神經元彼此並行工作，各自做它須要做的事情來完畢一項任務。

它們通過電流的爆發進行交流。這樣的電流被稱為尖峰。關於TrueNorth，最值得注意的事情之中的一個是它的節能性怎樣。使用70毫瓦的功率——相當於助聽器的功率——其消耗量與執行相似任務的傳統計算機相比微不足道。

IBM阿爾馬登研究中心（IBM Almaden Research Center）認知計算小組的首席研究員、DARPA SyNAPSE專案的負責人Dharmendra Modha表示，他之所以聘用馬諾哈爾，是由於他在該專案所需的技術方面是“世界率先者”，並且他還開發了“強大的、經過驗證的工具”。“大腦中的神經元是事件驅動的，運作時沒有不論什麼同步時鐘。”馬諾哈爾說。“為了實現DARPA SyNAPSE雄心勃勃的度量標準。一個關鍵要素是設計和實現事件驅動電路，讓非同步電路是自然的。

神經科學讓我們對大腦中發生的事情有了更好的瞭解，這啟示了TrueNorth晶片的架構。只是，把TrueNorth稱為大腦功能的副本有些牽強，由於我們仍然不知道大腦到底是怎樣工作的。這是令馬諾哈爾著迷的事情之中的一個。

“大腦是一個我們不是非常瞭解的非同步系統。它能夠做一些我們如今不知道怎樣讓計算機來做的事情——這非常有趣，”他說。此外，有證據表明大腦有一個“非常強大的非同步計算基板”，能夠學習怎樣進行非常多不同的應用。

“並且它能夠以一種我們不知道怎樣在計算機上執行的效率來執行這些應用程式。

這也非常有趣。

”

在神經形態計算中，更多的工作都是以更好地瞭解大腦的工作原理為目的。

TrueNorth的製造者從還有一個方向著手他們的專案；大腦的過程怎樣才幹更好地進行計算？這也符合馬諾哈爾的興趣。

為了瞭解TrueNorth可能有什麼樣的現實應用，研究團隊開發了一個多目標檢測和分類應用程式，並通過兩項挑戰對其進行了測試：一個是檢測定期出如今視訊中的人、騎自行車的人、汽車、卡車和公共汽車。還有一個是正確識別每一個物件。事實證明，TrueNorth擅長這兩項任務。

依據TrueNorth製造者的描寫敘述，即使它僅僅捕捉了人類大腦複雜性的一小部分，但該晶片擁有大黃蜂的腦力——這就足以完畢一些非凡的任務。比如。它同意使用者不用觸控電視或遙控器就能改變頻道。三星在對TrueNorth晶片進行評估後宣佈。該公司正在開發一個系統，讓電視使用者僅僅需做手勢就能夠控制他們的電視機。洛斯阿拉莫斯國家實驗室（Los Alamos National Lab）的官員也在討論將其用於一些超級計算。

馬諾哈爾還是Achronix半導體公司的創始人，該公司專門生產高效能非同步現場可程式設計門陣列（FPGA）晶片。

麻省理工學院技術評論（MIT Technology Review）將他列為“35歲下面創新者”之中的一個——由於他在低功耗微處理器設計方面的貢獻。

他的其它專長還包含低功耗嵌入式系統、併發系統和電路設計的正式方法。

馬諾哈爾說他是通過數學進入電腦科學的。

“在某個時候，我想把數學應用到更有用的東西上，”他說。

“我覺得，從應用數學的角度來看，電腦科學非常有趣——非常多技術和一些基礎都非常數學化。”TrueNorth具備的前所未有的特性意味著製造者投入了大量的資源。

由於缺乏現有的計算機輔助設計（CAD）軟體。研究團隊不僅發明了晶片，他們還須要發明用於構建晶片的工具。“妨礙人們在非同步電路上工作的因素之中的一個，就是缺乏設計這些電路的工具。

” 他說，“有一個巨大的行業，每年花費數十億美元來改進這些CAD工具。但它們並不適合我們在非同步設計方面所做的工作。所以我們必須編寫自己的CAD工具。”

自TrueNorth公佈以來，從事非同步電路的研究人員數量顯著新增。但仍是一個小群體。馬諾哈爾團隊使用的CAD軟體是專門為團隊設計的。可是。假設他們能夠將這些軟體改造的更大眾化，馬諾哈爾相信這個領域將會爆發，並且這項技術將會更加迅速地發展。“我們想做的一件事是擁有一套完整的工具，我們能夠將它放到開源平臺中。讓其它研究人員使用。

我經常聽到一些業內人士說，‘嘿，我想試試這個，但我不知道怎麼開始。由於我沒有工具。

’”

今天的傳統計算機的結構仍然來自二十世紀四十年代的馮·諾伊曼模型。我們雖已不使用紙板打孔卡, 但主要的想法仍然是一樣的。

這些年的進步降低了記憶體將傳輸資料到處理器所需的時間，但資料仍然須要來回穿梭, 這須要時間和功率。幾十年來, 計算機在體積上穩步縮小，但所需功率卻在增長。

然而。電腦科學家們說，關於能在多大程度上繼續新增處理器，我們已經接近極限了。

神經晶片可能開啟一個全新的領域,將使這一趨勢持續下去，並且非常可能以更快的速度發展。

TrueNorth與傳統系統的一個根本差別是其資料儲存和計算是沒有分開的。TrueNorth的神經網路能夠在沒有計時機制的情況下完畢多個任務, 從而打破了傳統操作停滯不前的線性操作的束縛。

還有就是這些晶片能讓電腦做什麼的問題。傳統計算機擅長蠻力計算，他們不太善於識別人臉。或者分辨出特定的聲音和涉及模式識別的任務。

這就是為什麼那些CAPTCHA函式會指示你挑選出愛因斯坦的面孔，或者複製一個短字母數字模式來證明你是人類，來有效阻止機器人。

自從20世紀80年代電腦科學家們開始認真討論這個問題以來，神經形態計算已經取得了非常大的進步。但這個領域仍然處於早期階段。隨著技術變得更加成熟。很多業內人士對晶片能做什麼感到興奮。

就像不論什麼可能改變遊戲規則的技術一樣，我們無法想象全部可能的商業應用，但很多業內人士表示，在實現即時自己主動駕駛汽車、打造更像人類的機器人、以及開發幫助視力受損者的裝置上。神經晶片可能是關鍵。

當然。實現這些目標並不是易事。馬諾哈爾與一個來自滑鐵盧大學（University of Waterloo）和斯坦福大學（Stanford University）的研究小組合作。眼下正在研究一種多晶片系統，馬諾哈爾說這將是神經形態學的下一步。

“與全部現有平臺相比，我們希望展示出更高的效率——這一直是我們的目標。”他說。“我們知道怎樣實現這一目標。”他預測，這樣的技術在不久的將來就會出如今日常裝置中。“這些神經計算演算法眼下為物件檢測和識別人臉等任務（很多公司現今所關心的）提供了最先進的效能。”他說。

“想象一下，以後你能夠用如今搜尋文字的方式來搜尋照片或視訊，而神經晶片在這類計算中效率更高。”