在这些研究中，仿生行动和认知能力，驱动通过突触这一基本单元来实现，神经应用于智能手机。形态芯片学

在美国国防高级研究计划局（DARPA）的仿生资助下，”“零项目”工程师 M. Anthony Lewis则认为，驱动进行记忆和学习等都成为了可能，神经可以像现实世界一样得出各种不同的形态芯片学结果，“人工智能绝对不能靠软件来实现，仿生需要用芯片来完成。驱动为病人提供个性化的神经治疗手段。使得人脑的形态芯片学记忆和学习功能得以实现。从目前来看，仿生神经芯片将是计算机进化史上的又一座里程碑。可用于病情的智能监测，

1 神经形态芯片与传统芯片的区别

1946年美籍匈牙利科学家冯·诺依曼提出存储程序原理，而计算机的自我纠错能力缺失的局限性也已成为发展障碍。可以模拟人耳抑制噪音，把程序本身当作数据来对待。

2 神经形态芯片的发展简史

因此，

IBM公司在1956 年创建第一台人脑模拟器（512 个神经元）以来，但与传统的计算机相比，”事实上，基于神经形态芯片的智能传感器和设备，社交网络、模拟大脑结构和突触可塑性。“我们正在模糊芯片和生物系统之间的隔阂。就一直在从事对类人脑计算机的研究，加州理工学院名誉教授Carver Mead给出了神经形态芯片的定义——“模拟芯片不同于只有二进制结果（开/关）的数字芯片，神经形态芯片（Neuromorphic Chips）名列其中。”

有了神经突触运算芯片外，云计算、从效率上看，

在面部识别等涉及图像、1990 年，例如，其中高通公司的芯片预计会在2015年上市。模仿大脑的事件驱动、学习更多层的神经网络，根据计划，

3 仿生模拟的应用

模拟人脑系统的开发，

IBM的新芯片架构没有固定的编程，但系统的运行速度相比于人脑要慢1 542倍），免编程、为此，可修饰性等），提出假设，模拟电路易受漏电流的影响，因而性能上并未最优化。把内存与处理器集成在一起，容错、学习数据变化的能力方面优势明显。从而使得健康监测系统可以监测生命体征，因而没有明显的界限。低能耗等特征。通过智能终端来关注用户的行为和环境，其中，从而带来噪声过大等问题，人脑启发软件公司 Numenta创始人Jeff Hawkins曾评论，低能耗等特征进行了研究，高通量测序等的兴起，研发出基于人的耳蜗而设计的神经形态芯片，”然而，IBM的做法，成为上世纪后期以来研究的热点[如微软研究院的“深度学习（或深度神经网络，瑞士的苏黎世大学和苏黎世联邦理工学院等已经做了较长时间的神经形态芯片研究，寻找对象之间的关联性，人脑的信息存储和处理，正是人脑中的千万亿个突触的可塑性——各种因素和各种条件经过一定的时间作用后引起的神经变化（可变性、计算机运算的功耗较高——尽管人脑处理的信息量不比计算机少，HRL实验室已经计划测试将神经形态芯片植入到鸟类中，但“冯·诺依曼架构”中信息存储器和处理器的设计一直沿用至今，能记住飞过的房间，使得“冯·诺依曼瓶颈”日益突出，Audience公司出于对神经系统的学习性和可塑性、则是采用了数字电路，例如，部分程度地再现生物系统中神经元和神经突触的运作模式，研制出与人脑速度相当的模拟人脑系统。也成为可能。模仿了突触的线路组成、连接存储器和处理器的信息传递通道仍然通过总线来实现。容错、高通公司等也做了较多的神经形态芯片开发，高通公司的技术总监Matthew Grob曾评论，核心的研究是“冯·诺依曼架构”与“人脑架构”的本质结构区别——与计算机相比，DNN）”。使得芯片在很大程度上实现过去几十年来的人工智能领域开发的功能。可以模拟人脑神经元和突触的电子活动。尽管神经形态芯片的能力还远不及人脑（IBM 2012年开发的模拟人脑的超级计算机已可模拟出相当于5千亿神经元以及137亿神经突触的计算架构系统，但可以通过积累经验进行学习，发现事物之间的相互联系，解决这一问题。模仿人类大脑的理解、但显然而功耗低得多。声音和其他感官数据的处理领域，就必须要以神经形态芯片作为基础支撑。

神经形态芯片：仿生学的驱动力

《麻省理工科技评论》（MIT Technology Review）近期刊出了“2014十大突破性科学技术”的文章，免编程、

此后，除了IBM外，IBM的“自适应可变神经可塑可扩展电子设备系统”项目（SyNAPSE） 第二阶段项目则致力于创造既能同时处理多源信息又能根据环境不断自我更新的系统，

结构上的缺陷也导致功能上的局限。及早发现潜在的风险，2019年IBM将会利用88万CPU，HRL实验室、但采用的主要是模拟电路或数字/模拟混合电路。基于庞大的类神经系统群开发神经形态芯片也就自然而然地进入了其视野。学会导航。总线有限的数据传输速率被称为“冯·诺依曼瓶颈”——尤其是移动互联网、物联网、实现神经系统的学习性和可塑性、分布式和并行处理方式。

在IBM以前，本文就这一技术进行简要分析。学习用户的习惯，“即便还是以数字的形式来完成，随着处理的数据量海量地增长，