随着人工智能对其所运行的计算机的能量需求越来越大，IBM 研究部的科学家们从世界上最高效的计算机——人类大脑中汲取灵感。

神经形态计算是一种旨在模仿大脑的硬件设计和算法方法。这一概念并不是描述一个精确的复制品，一个充满合成神经元和人工灰质的机器人大脑。相反，从事这一领域的专家正在设计一个计算系统的所有层来反映大脑的效率。与传统计算机相比，人脑几乎不使用任何电力，即使面对模糊或定义不明确的数据和输入，也能有效地解决任务。IBM 研究科学家正在利用这一进化奇迹作为下一代硬件和软件的灵感，这些硬件和软件可以处理当今计算任务（尤其是人工智能）所需的海量数据。

在某些情况下，这些努力仍处于深入研发阶段，目前它们大多存在于实验室中。但在其中一个案例中，原型性能数据表明，受大脑启发的计算机处理器很快就会上市。

什么是神经形态计算？

从词源上讲，“神经形态”一词的字面意思是“大脑或神经元形状的特征”。但这个术语是否适合该领域或特定处理器可能取决于你问的对象。它可能意味着试图重现人脑中突触和神经元行为的电路，也可能意味着从大脑处理和存储信息的方式中获取概念灵感的计算。

如果听起来神经形态计算（或大脑启发式计算）领域有些悬而未决，那只是因为研究人员在构建模拟大脑的计算机系统时采用了截然不同的方法。IBM 研究部门及其他机构的科学家多年来一直在努力开发这些机器，但该领域尚未找到典型的神经形态架构。

一种常见的脑启发计算方法是创建非常简单、抽象的生物神经元和突触模型。这些模型本质上是使用标量乘法的静态非线性函数。在这种情况下，信息以浮点数的形式传播。当信息被放大时，结果就是深度学习。简单地说，深度学习是脑启发的——所有这些数学神经元加起来就是模仿某些大脑功能的东西。

IBM 研究科学家 Abu Sebastian 表示：“在过去十年左右的时间里，这项技术取得了巨大成功，绝大多数从事与脑启发计算相关工作的人实际上都在从事与此相关的工作。”他表示，通过结合神经元或突触动力学，或者通过与活动尖峰（而不是浮点数）进行交流，可以用其他脑启发方式来用数学模拟神经元。

另一方面，模拟方法使用先进的材料，可以存储 0 到 1 之间的连续电导值，并执行多级处理——使用欧姆定律进行乘法，并使用基尔霍夫电流总和累积部分和。