重磅！我国科学家成功研制全球神经元规模最大的类脑计算机

　　感谢IT之家网友 刺客 的线索投递！
　　IT之家9月1日消息 据浙江大学官方发布，9 月 1 日，亿级神经元类脑计算机重大成果新闻发布会在杭州召开。浙江大学校长吴朝晖院士出席并讲话。他表示，人工智能浪潮正加快智能增强时代的到来，类脑计算机将成为未来计算的主要形态和重要平台，将在模拟脑功能、高效实现 AI 算法、提升计算能力等方面发挥重要的独特作用。
　　之江实验室主任、浙江大学党委副书记朱世强表示，双方科研团队未来将基于我国自主产权类脑芯片，研制规模更大的神经元类脑计算机，同时研究支撑其运行与开发的类脑基础软件体系，并逐步实现开源与开放，为我国类脑计算新技术的发展贡献力量。
　　近日，浙江大学联合之江实验室共同研制成功了我国首台基于自主知识产权类脑芯片的类脑计算机（Darwin Mouse）。
　　IT之家了解到，这台类脑计算机包含 792 颗浙江大学研制的达尔文 2 代类脑芯片，支持 1.2 亿脉冲神经元、近千亿神经突触，与小鼠大脑神经元数量规模相当，典型运行功耗只需要 350-500 瓦，同时它也是目前国际上神经元规模最大的类脑计算机。
　　与此同时，团队还研制了专门面向类脑计算机的操作系统——达尔文类脑操作系统（DarwinOS），实现对类脑计算机硬件资源的有效管理与调度，支撑类脑计算机的运行与应用。
　　▲类脑计算机，来自浙江大学
　　当前计算机的发展大多选择以数值计算见长的冯 · 诺依曼架构，也就是以数字加减乘除的方式来进行信息架构。随着摩尔定理逐渐失效，冯 · 诺依曼架构带来的局限日益明显，存储墙、功耗墙、智能提升等问题，让当前计算机发展面临重大挑战。
　　全球科学家们将目光瞄准到模仿生物大脑这个最初的梦想，通过模拟人脑结构与运算机制来发展新的计算技术，以期实现高能效与高智能水平的计算。
　　生物大脑在与环境相互作用过程中能够自然产生不同的智能行为，包括语音理解、视觉识别、决策任务、操作控制等，而且消耗的能量非常低。自然界中，很多神经元远低于 100 万的昆虫就能做到实时目标跟踪、路径规划、导航和障碍物躲避。
　　研究团队负责人、浙江大学计算机科学与技术学院教授潘纲介绍说，用硬件及软件模拟大脑神经网络的结构与运行机制，构造一种全新的人工智能系统，这种颠覆传统计算架构的新型计算模式，就是类脑计算 。其特点在于存算一体、事件驱动、高度并行等。
　　2015 年和 2019 年浙江大学分别研制成功达尔文 1 代和达尔文 2 代类脑计算芯片，用芯片去模拟大脑神经网络的结构与功能机制，在图像、视频、自然语言的模糊处理中具有优势。而这次的成果是将 792 颗我国自主产权的达尔文 2 代类脑计算芯片集成在 3 台 1.6 米高的标准服务器机箱中，形成了一台强大的机架式类脑计算机。
　　项目研究骨干马德副教授说，大脑神经元的工作机理是钾离子钠离子的流入流出导致细胞膜电压变化，从而传递信息，＂可以简单理解为，一个神经元接受输入脉冲，导致细胞体的膜电压升高，当膜电压达到特定阈值时，会发出一个输出脉冲到轴突，并通过突触传递到后续神经元从而改变其膜电压，实现信息的传递。＂
　　这里很重要的一点是异步运行，也就是信号来的时候启动，没有信号就不运行。类脑芯片的工作原理就类似于生物的神经元行为，通过脉冲传递信号，这样就能实现高度并行，效率提升。
　　每颗芯片上有 15 万个神经元，每 4 颗芯片做成一块板子，若干块板子再连接起来成为一个模块。这台类脑计算机就是这样像搭积木一样搭起来。
　　这款达尔文类脑操作系统（DarwinOS）面向冯 · 诺依曼架构与神经拟态架构的混合计算架构，实现了对异构计算资源的统一调度和管理，为大规模脉冲神经网络计算任务提供运行和服务平台。据介绍，目前达尔文类脑操作系统的功能任务切换时间达微秒级，可支持亿级类脑硬件资源管理。＂
　　由此，类脑计算机研究的价值真正得以实现——既可以应用于生活中的智能任务处理，也可以应用于神经科学研究，为神经科学家提供更快更大规模的仿真工具，提供探索大脑工作机理的新实验手段。
　　目前，浙江大学与之江实验室的科研人员基于 Darwin Mouse 类脑计算机已经实现了多种智能任务。研究者将类脑计算机作为智能中枢，实现抗洪抢险场景下多个机器人的协同工作，涉及到语音识别、目标检测、路径规划等多项智能任务的同时处理，以及机器人间的协同。同时，还用类脑计算机模拟了多个不同脑区，建立了丘脑外侧膝状核的神经网络模型，仿真了不同频率闪动的视觉刺激时该脑区神经元的周期性反应；借鉴海马体神经环路结构和神经机制构建了学习 - 记忆融合模型，实现音乐、诗词、谜语等的时序记忆功能；实现了脑电信号的稳态视觉诱发电位实时解码，可 ＂意念＂打字输入。
　　当前，类脑计算研究还处于初级阶段，Darwin Mouse 类脑计算机，无论从规模还是智能化程度上都与真正的人类大脑还有很大的差距，但其意义在于能够为这种技术路径提供一个重要的实践样例，为研究人员提供一个工具和平台，验证类脑算法，以更强的鲁棒性、实时性和智能化去解决实际的任务。