1965年，英特尔创始人Gordon Moore首次提出摩尔定律，并于1975年进行修正。根据摩尔定律，技术进步将使集成电路(微芯片)的集成度大约每18-24个月翻一番。摩尔定律问世时，集成电路问世才6年，Moore实验室在一个芯片上还只能集成50个晶体管。50年后，最先进的芯片可以集成10几亿个晶体管。但是，我们现在面临一个问题：摩尔定律，还能延续多少年?

    是的，在过去50年，传统数字计算机的性能在不断提高。集成电路的技术进步一方面使得硬件变得越来越强大，另一方面也给寻求优化算法性能的系统架构师带来了挑战。

    类脑计算

    下一代高性能、低功耗的计算机系统需要像大脑学习。

    随着设计者从通用的计算机技术转向大脑启发(神经形态)系统，他们也必须从支撑通用机器的既定形式层次结构中走出来。也就是说，抽象框架广泛地定义了软件是如何被数字计算机处理，并转换成在机器硬件上运行的操作的，这种层次结构有助于实现计算机性能的快速增长。

    通用计算机设计的一个重要特点是软硬件去耦合，而这一特点使得新设备(芯片、内存等)能够获得最佳性能。通过设置对硬件的最低要求，将用高级语言编写的软件程序，转换成任何机器所需的精确等效的指令序列变得可行，这一过程称为编译。在这个编译过程中，支持使用代表基本计算操作的指令的计算机被称为图灵完备。因此，软件代码通常只写一次，然后可以在多个图灵完备的处理器架构上编译和执行，以产生等效的结果。

    图1 在计算机硬件上，基于层次结构实现算法

    然而，人们普遍认为，摩尔定律时代即将结束：数字计算机能力的进步速度似乎正在放缓。此外，数字计算非常耗能，促使人们寻找替代方案。

    传统计算机依循冯·诺依曼架构设计，存储与计算功能分离。每进行一次运算，计算机都要在内存和CPU两个区域之间来回调用，大数据处理效率有待提高。除此之外，因为在存储与计算空间之间来回调用，芯片的能耗大部分转化为热量，既不利于设备的性能稳定，又不环保。

    类脑芯片就不一样了，人脑中存储与计算功能是合二为一的。科学家们长期以来一直对大脑的计算能力着迷，大脑不仅具有难以置信的能效，而且由于其神经元和突触的架构，还拥有独特的信息处理性能。类脑芯片可以模拟人脑的复杂处理能力，启发了神经形态计算领域，一个使用大脑神经网络结构作为下一代计算机基础的研究领域。

    神经形态计算的重点通常是脉冲神经网络——由相互连接的人工神经元组成的系统，其中每个神经元在激活水平达到阈值时都会表现出短暂的“脉冲”。与现代深度学习应用中常用的人工神经网络相比，这种系统更类似于生物神经网络。神经形态硬件已经产生了一系列的格式，包括数字和模拟。然而，大多数系统都有共同的设计原则，例如内存和处理器的协同定位。

    开发神经形态硬件应用一个挑战是，目前不存在图灵完备性等形式层次。相反，每个新的芯片架构都需要一个定制的软件工具链，即一组编程工具来定义算法，并通过将它们映射到独特的硬件上来执行它们，这使得很难比较执行相同算法的不同神经形态系统的性能，并且需要研究人员理解算法和硬件的所有方面，以获得潜在的类似大脑的性能。

    厚积薄发

    清华大学施路平团队长期致力于类脑计算领域的研究。2015年，第一代“天机芯”DEMO问世，制程约为110纳米。2017年，第二代“天机芯”芯片制程为28 nm。

    2019年7月31日，施路平团队以Towards Artificial General Intelligence with Hybrid Tianjic Chip Architecture为题，在Nature封面论文报道了第三代天机芯片，通过无人驾驶自行车上的实验演示，实现了机器学习和类脑算法的完美结合，标志着中国在人工智能领域进入了关键时刻。

    时隔一年之后，2020年10月15日，清华大学施路平、张悠慧等人又一次在Nature发表类脑计算的最新研究成果。他们定义了一个新的层次结构，将算法的要求及其在一系列神经形态系统上的实现形式化，从而为结构化的研究方法奠定基础。在该方法中，受大脑启发的计算机的算法和硬件可以分别设计。值得一提的是，在这两个重大研究成果中，施路平教授都是通讯作者，而张悠慧教授都是第一作者之一，并在最新的Nature论文中担任通讯作者之一。

    这一次，清华大学施路平、张悠慧研究团队提出了一个突破性解决方案，他们称之为神经形态完备性。这是对图灵完备性的认可，旨在将算法和硬件开发分离开来。

    作者提出，如果一个类大脑系统能够以规定的精确度执行一组给定的基本操作，它就是神经形态完备的，这是对图灵完备性的一种偏离。在图灵完备性中，一个系统只有在为给定的一组基本运算提供了精确且同等的结果时，才能被定义为完备的。

    神经形态完备框架

    在提出的神经形态完备框架中，基本操作包括两种，称为加权和操作和元素校正线性操作，这使得硬件系统能够支持脉冲和非脉冲人工神经网络。作者展示了他们的大脑启发计算的层次结构如何提供一种机制，将给定的算法转换成适合一系列神经形态完整设备的形式。

    新层次结构的一个关键亮点在于，提出了一个连续完备性——可以接受不同级别的算法性能，这取决于神经形态系统执行基本操作的准确性。这种完备性的连续性意味着，新的层次结构可以使用所有可用的模拟和数字神经形态系统来实现，包括那些为了执行速度或能量效率而牺牲准确性的系统。

    图2 类脑计算机层次结构(左)与现有通用计算机(右)的对比

    完备性的连续还允许算法的在同一硬件上的不同运行。例如，探索如何根据芯片大小来权衡算法精度，以降低功耗。研究人员在三个任务的算法执行中展示了这一方面(“驾驶”无人驾驶自行车、模拟鸟群的运动以及执行称为QR分解的线性代数分析)。每个任务使用三个典型的神经形态完备硬件平台来执行：作者自己的神经形态芯片，通用计算机中使用的图形处理单元，一个基于忆阻器设备的平台，可以加速神经网络的运行。

    这种层次结构具有极大的创新性，主要表现为两点：

    1)能够比较实现相同算法的等效版本的不同硬件平台，以及在相同硬件上实现的不同算法。这两个都是对神经形态架构进行有效基准测试的关键任务。将通用的图灵完备硬件(GPU)包含在他们的验证实验中也是非常有价值的，因为这表明在某些应用中，层次结构可以潜在地用于证明神经形态设备优于主流系统。

    2)有可能将算法和硬件开发分开。如果要获得底层神经形态架构的益处，算法规模和复杂性将需要随着时间的推移而增加。因此，这种分离将有助于研究人员专注于研究问题的特定方面，而不是试图找到完整的端到端解决方案。这可能会导致对问题的更好理解，并为未来更高性能的神经形态系统的设计提供信息。

    结语

    面对即将到来的计算机架构发展黄金十年，类脑计算被认为是最有希望的方案之一。

    清华大学团队所提出的类脑计算系统设计思路，是在现有计算机架构基础上，加入类脑计算芯片、从而引入空间复杂性和时空复杂性。这样既可以保持原有计算机处理结构化信息的的优势，又可以利用类脑计算芯片提升处理非结构化信息的能力。

    团队将坚持计算机科学和神经科学融合的技术路线，并充分利用新型非易失性存储器件(包括忆阻器)的特殊性质，发展适合这些器件的新的计算模型和算法，构建完全新型的智能计算体系。