神经形态 创新是寻求新的科学方法来解决或改进最先进技术的局限性。如果我们看看人工智能的现状，它非常强大，能够完成几年前看似不可能的事情。然而，许多这样的系统效率低下且资源密集。
正如我们在另一篇关于可持续人工智能的文章中所解释的那神经形态样，训练和运行现代人工智能系统需要大量的电力、水和资源，从而导致环境足迹迅速增加。在这种背景下，ChatGPT 和其他成功的生成式人工智能模型背后的公司 OpenAI 的首席执行官 Sam Altman 表示人工智能的未来取决于能源突破， 这并不奇怪。
然而，在我们等待期待已久的新（清洁）能源出现的同时，研究人员正在寻找新的方法，通过新颖、更高效的计算方法来降低当前人工智能技术的能源费用。
神经形态计算正是为此而生。神经形态计算是一种受人类大脑结构和功能启发的计算方法。它需要一种范式转变，模拟大脑的神经和突触结构和功能来处理信息。其目标是创建在能力和效率方面超越当今深度学习模型的新型人工智能系统。
本文将告诉您进入令人兴奋且前景光明的神经形态计算领域所需的一切知识。我们将介绍这种计算范式的基础知识、其主要应用以及其优势和挑战。
什么是神经形态计算？
神经形态计算是一种模拟人类大脑的硬件和软件设计的革命性方法，为先进的人工智能系统提供比传统计算更高效、更可持续的替代方案。
过去几十年来，计算机功能不断提升。从简单的计算器到利用人工智能和机器学习的力量以前所未有的准确度预测各种事件并生成内容的复杂系统（例如 ChatGPT），计算机的发展向我们揭示了很多有关现代社会以及我们如何走到今天的信息。
然而，现代计算机已达到极限。随着人工智能神经形态的兴起，当前的计算方法已被证明效率低下、速度缓慢且耗能。从环境角度来看，让人工智能系统无处不在所需的资源量可以说是过多的，难以承受。
神经形态计算是一种尝试解决当前机器局限性的新方法。尽管这一术语并不新鲜（它可以追溯到 20 世纪 80 年代，当时研究人员 Misha Mahowald 和 Carver Mead 开发了第一个硅视网膜和耳蜗以及第一个硅神经元和突触，开创了神经形态计算范式），但它正在迅速发展。
它提议彻底改变硬件和软件的构思和开发方式。目标是设计出模拟人类大脑和神经系统的计算机组件。
神经形态计算如何工作？
要了解神经形态计算的工作原理，我们首先需要了解人类大脑的工作原理。
简单来说，处理和记忆功能由神经元和突触执行。这些神经元和突触以近乎瞬时的速度和接近零的能量消耗从大脑发送和携带信息。例如，这些功能解释了为什么我们可以快速区分猫和狗，或者当我们看到路中间的行人时停下我们的车。
我们之所以能够出色地应对现实的复杂性，关键在于处理和记忆功能都发生在同一个位置。这与拥有独立内存和处理单元的传统计算机有着根本的不同。
虽然这种设计在预测明天是否会下雨等复杂操作中被证明非常有效，但在图像识别、推理或行走等人类容易完成的特定任务中，它远非理想。
神经形态计算的革命有望在一块芯片上执行这些任务，该芯片专门设计用于运行所谓的脉冲神经网络 (SNN)，这是一种由脉冲神经元和突触组成的人工神经网络。查看我们的专题文章，更详细地了解神经网络是什么。
SNN 与传统神经网络不同，因为它们无需在内存 (RAM) 和处理单元 (CPU 或 GPU) 之间传输数据。它们也是事件驱动的，这意味着它们仅在相关事件发生时处理信息（基于依赖阈值激活神经元的脉冲机制）。
因此，SNN 可以加快处理时间并减少所涉及的能源消耗。这种延迟的减少可以带来很大的不同，特别是在计算机依赖实时传感器数据的任务中，例如自动神经形态驾驶汽车中的摄像头。
神经形态计算的应用
神经形态计算可以推动一场对行业产生深远影响的革命。如果前所未有的效率提升的承诺成为现实并成为主流，神经形态计算可以改 WhatsApp 号码数据 变许多应用，加速其开发和实施。
下面，您可以找到可以从神经形态计算中受益的最引人注目的应用程序列表。
人工智能和机器学习
人工智能是我们开发的最具颠覆性和 而且外汇市场上的借贷 变革性的技术之一。人工智能的用途无穷无尽，但正如我们已经提到的，当前的计算机还不足以充分发挥人工智能的潜力。
幸运的是，神经形态计算提供了一种创新的计算方法，该方法已被证明特别适合需要能源效率、并行处理和适应性的任务和问题，例如模式识别和传感处理。例如，神经形态机器学习已用于识别自然语言中的模式或用于面部识别。
自动驾驶汽车
自动驾驶汽车是一个很好的例子，它说明了神经形态计算如何改变需要传感处理的应用。自动驾驶汽车制造商使用多个摄像头和智能传感 马来西亚号码 器从环境中获取图像，以便他们的自动驾驶汽车能够检测物体、车道标记和交通标志，从而安全驾驶。
由于其高性能和低延迟，神经形态计算机可以帮助提高自动驾驶汽车的导航能力，实现更快、更准确的决策，这对于最大限度地减少潜在事故至关重要，同时还可以显著减少能源消耗。这最终将延长汽车的电池寿命。
如果您对自动驾驶汽车的技术细节感兴趣，这里有一个 DataCamp 项目，可以使用深度学习检测交通标志，这可能会帮助您起步进入该领域。
机器人
与自动驾驶汽车一样，神经形态计算被视为将机器人技术推向新发展阶段的关键技术。配备神经形态传感器的新型机器人可能更适合解决神经形态该领域的经典挑战，例如如何在考虑到电池相关限制的情况下实现现实生活中的实时学习和决策。
想知道机器如何与周围环境互动吗？阅读本文，了解有关机器感知和智能传感器的更多信息。
边缘计算
大多数先进的人工智能系统通常依赖远程云服务器来完成繁重的工作。这种方法对于需要快速响应的应用程序（例如自动驾驶汽车或资源有限的设备）来说可能会有问题。边缘计算试图通过将人工智能功能直接带到设备本身来实现这一点。
神经形态计算的进步可能会彻底改变边缘计算。由于神经形态芯片的低功耗，智能手机和各种智能可穿戴设备（通常电池寿命较短）将能够执行许多以前需要大量能量的新任务。
神经形态计算的优势
在这里，我们介绍了普华永道最近将神经形态计算称为当前八大重要新兴技术之一的一些最显著的原因。
能源效率
神经形态计算可能成为智能计算新阶段的基础。新型硬件和软件组件将提高数据处理和功耗的效率。这些改进将帮助公司降低运营成本，开发更快、更准确的人工智能系统，并有望减少碳足迹。
并行处理
并行处理是指将计算任务分解为多个服务器上的较小任务，然后这些服务器同时且更快地完成这些任务。SNN 的特性使其特别适合需要并行处理的任务，例如模式识别。
实时学习和适应能力
基于 SNN 的神经形态计算机具有出神经形态色的实时学习和适应性。这种灵活性和多功能性对于需要持续学习和快速决策的 AI 应用（例如机器人或自动驾驶汽车）至关重要。
挑战与限制
虽然神经形态技术的优势显而易见，但该技术还处于起步阶段，尚未准备好成为主流。以下是未来面临的一些挑战。
缺乏标准
虽然神经形态项目的数量正在增长，但大多数项目都集中在资金充足的研究实验室和大学。这表明该技术尚未准备好进入市场。硬件和软件标准仍然缺乏，没有这些标准，可扩展性几乎是不可能的。
可访问性有限
缺乏标准基本上意味着我们仍然缺乏命名和描述神经形态计算机组件和特性的词汇。这也解释了为什么全世界只有少数专家熟悉神经形态计算。正如埃森哲实验室副主任 Andreea Danielescu所说：