http://pansci.tw/archives/50530
仿人類神經元的電腦晶片可以用更少的能量做更多事！
夸比納‧鮑恩(Kwabena Boahen)在1982年時得到他第一台電腦，當時他只是個住在迦納首
都阿克拉的青少年。他回想道：「那是一個很酷的裝置。」只要將儲存用的卡帶機和充作
螢幕的電視連接在一起，就可以開始寫程式。
但是當鮑恩發現電腦的運作原理時，他有點失望：「當我知道電腦的中央處理器（CPU）
必須不斷將數據在RAM和ALU之間來回處理時，我心想：『天啊！CPU竟然要這樣瘋狂運作
到死，電腦才能用。』」當下他直覺地想說電腦的設計需要一點「非洲元素」：多一點分
散和流動，不要那麼死板。
鮑恩現在是加州史丹佛大學的生物工程師，跟一群研究員試圖透過對腦的反向工程，開發
出這種「分散又流動」的計算模式。人類的大腦其實是一個高效又節能的器官，用沒那麼
完美、又慢又雜亂的的神經元，就可以處理一些對世界上最厲害的超級電腦而言都很棘手
的問題：理解語言、抽象思考還有控制動作等。
而這個比鞋盒還小的腦，不但不需要用到中央處理器，還只用了比家裡電燈泡還少的能量
。為了讓矽晶片達到同樣的效率，研究人員想要做出非數位式的晶片，盡量模擬生物神經
元運作的方式。就在幾年前，鮑恩的團隊製作出一個能夠模擬一百萬個神經元運作的裝置
——Neurogrid（神經網絡），相當於一隻蜜蜂腦中的神經元數量。
在經過將近四分之一世紀的研究，仿神經型態技術（neuromorphic technology）的應用
趨於成熟。這種技術被看好能應用在任何體積小、追求低耗能的裝置上，像是智慧型手機
、機器人，甚至人造眼、人造耳等。因此過去五年來，這種技術吸引了很多投資人，在美
國和歐洲投入數億美金研發。
「仿神經型態裝置也提供神經科學家一個有力的研究工具。」瑞士蘇黎世大學神經資訊研
究所（Institute of Neuroinformatics，INI）的賈科莫‧印地維里（Giacomo Indiveri
）表示。在這些裝置上實地測試各種神經功能理論模型，可以幫助科學家瞭解大腦的運作
方式。
不僅如此，仿神經型態技術也可以使晶片突破摩爾定律的物理極限。摩爾定律由英特爾創
辦人戈登‧摩爾提出，指積體電路上可容納的電晶體數目，約每隔24個月便會增加一倍，
而這個趨勢已經持續超過半世紀。照這電晶體不斷縮小的趨勢，總有一天這些電路會因太
小太過緊密，讓電子逸出零件互相干擾，訊號不穩。有些工程師嘗試用軟體的方法解決，
例如目前已用在讓網路跑得順暢的統計誤差校正。不過最終而言，鮑恩認為最佳的解決方
法還是生物在幾百萬年前就發展出的模式：大腦。
「我的目標是一個全新的計算方法，一個即便零件太小而不夠可靠，仍然可以進行計算的
方法。」鮑恩說。
矽胞
仿神經型態技術的起源可以追溯至世界知名的微晶片設計先驅－加州理工學院的卡佛‧米
德(Carver Mead)，他在1980年代發明了這個詞，並且著迷於大腦不同凡響的能源效率。
米德說他深深地被這個問題吸引：「到底腦是怎麼用這麼少能量完成這麼多事呢？」
於是米德想到了一個方法：用亞閾值(sub-threshold)的矽晶片，也就是在低於可以讓電
腦位元從0跳到1的電壓下運作的電路，模仿大腦低耗能的運作方式。在這樣的電壓下，仍
然會有微弱但不穩定的電子流流過電晶體，自發性地消長，就像是離子透過離子通道進入
神經元，所引起的電位消長。米德認為若加上微型電容電阻及其他零件來控制電流，這種
微型電路就可以互相連結形成網絡，像腦中的生物神經元一樣，分散處理各種資訊，而不
是把中央處理器操到死。[1][2]
到了1990年代，米德和他的同事證明了製作仿真矽神經元是可行的。該裝置可以透過模仿
神經元突觸的接點，接受外界輸入的電子訊號，這些訊號會像在神經元內一樣地在電子迴
路中合成，若是這些訊號加總後高於閾值，這些矽神經元才會興奮產生神經衝動，沿著如
同軸突的線路，跳躍傳遞神經衝動。雖然說這種訊號傳遞的全有全無律，可以說是數位式
的（只有0和1），但仿真矽神經元主要的運轉基礎（把訊號加總），卻跟生物神經元一樣
都是非數位的，不若傳統晶片的電壓和電流是一些特定不連續的數值。[3]
這樣的話，在足夠強的刺激使矽神經元興奮產生神經衝動之前，只需要用很少的能量來合
成輸入訊號，就像低耗能的腦一樣。相反地，不管有沒有在計算任何數據，傳統的晶片都
需要持續的能量供給電流，以維持中央協調所有零件的計時器。不只如此，米德的團隊也
打造出了分散式神經資訊系統迴路，可以說是矽晶片版本的視網膜。這個裝置以50×50的
偵測器網偵測光線，並且為了像大腦一樣節省能量，仿真矽神經元不會一直發送訊號，只
有在光線亮度顯著改變時才會興奮產生神經衝動，傳送到顯示器，就像是視網膜對於光線
、陰影和動作的偵測模式。這樣能夠有效地區辨移動中的物體輪廓，同時最小化需要傳送
和處理的數據量。
[4]
寫程式的挑戰
鮑恩在1990年代加入米德的實驗室，他說：「那時候研究人員可以充分掌控仿視網膜的單
一矽晶片，但現在我們想要做的是像大腦一樣的裝置，這代表我們需要更大規模的晶片間
通訊技術。」這是一個很大的挑戰，因為現有的晶片間通訊演算法是建立在精確的數位訊
號上，無法套用在這套使用非數位式雜亂訊號的仿神經型態系統上。於是在鮑恩與其他研
究人員的努力下，針對這套仿神經型態系統，設計出新的演算法和電子迴路，才引發了大
規模仿神經型態系統的風潮。其中一個應用是，提供給神經科學家測試其大腦功能理論模
型的大型仿真模擬器。
舉例來說，在2006年的九月鮑恩發起了前述的Neurogrid神經網絡計畫，希望能夠成功模
擬一百萬個神經元的活動。雖然相較於人腦中860億個神經元而言微不足道，但已經足夠
建構出大腦皮質上，被認為構成大腦基本運算單位的幾個互動密切的細胞柱(column)。神
經科學家可以設計程式在Neurogrid上，以大腦運作速度，跑幾乎任何大腦皮質功能模型
，像是：工作記憶、決策和視覺注意力等等，比在傳統的數位晶片上模擬快了幾十萬倍。
「以實際效率和精確度來說，鮑恩的Neurogrid的確是領先其他大規模仿神經型態系統。」一起開
發仿真矽神經元的蘇黎世大學神經資訊所(INI)共同創辦人羅尼‧道格拉斯(Rodney
Douglas)如是說。
「不過沒有任何系統是完美的。」鮑恩自己迅速地指出。Neurogird有一個很大的問題是
其突觸設計，每個仿真矽神經元平均有5000個突觸，其簡化的設計使得突觸沒有辦法被個
別調整，但是人腦中的神經元突觸是會隨著經驗被修飾的，無法隨著經驗改變了話，就無
法記憶並學習。這個缺點使得科學家無法在Neurogrid上測試學習模型。若要每個突觸跟
生物神經元一樣能夠隨經驗改變，同時間還能塞在晶片有限的空間裡，必須把電路縮小一
千倍到奈米尺度。目前的技術還無法做到，不過最新開發的奈米尺度記憶體「memristors
」日後也許可以解決這個問題。
另一個問題是組建Neurogrid時無可避免的變異性，導致每個Neurogrid晶片有些微不同。
「雖然這個差異已經比大腦中的神經元小了。」鮑恩說，這代表Neurogrid的程式必須去
處理仿真矽神經元各異的反應速度。這個問題使得一些研究人員放棄了米德的亞閾值矽
晶片。他們轉往用傳統的數位式晶片，模擬個別神經元的活動，代價就是需花費較多的
能量，但也是為了以大腦實際運作的速度，模擬大腦大規模的活動來測試理論模型。
其中一個重要的計畫是由英國曼徹斯特大學的電腦工程師史蒂夫‧費博(Steve Furber)所
領導的SpiNNaker Project(脈衝神經網絡結構)。SpiNNaker奠基於費博本人協助研發的
ARM處理器，也就是智慧型手機裡的處理器，此計畫目前可以模擬五百萬個神經元的活動。
科學家的另外一個嘗試是維持之前的仿真矽神經元晶片（非數位式），但增加其運作速度
，比實際的大腦跑得快很多。不若Neurogrid是精確模擬大腦的運作速度，德國海德堡大
學的加速器物理學家卡爾‧海因次‧邁耶 (Karlheinz Meier) 所領導的European
BrainScaleS Project，目前能夠以比大腦快一萬倍的速度，模擬約40萬個神經元的活動。
雖然說這代表處理同樣的訊息量需耗掉比大腦多一萬倍的能量，但對腦科學研究很大的好
處是：「我們因此可以在十秒內模擬完大腦一天內的神經活動。」費博和邁耶兩人的計畫
都在最近得到更多資金援助。在歐盟十月正式上路的十年十億歐元的人類大腦計畫(Human
Brain Project)中，撥給仿神經型態技術約一億歐元的經費，讓費博可以將其計畫增加
至模擬五億個神經元；邁耶則有望模擬多達四百萬個神經元。
這些仿神經型態晶片的成功，燃起了世界對其應用的興趣，想運用其超低耗能的特性在手
機和機器人上。不過對電腦業界來說，並沒有那麼急切的需求，因為現階段要減少體積、
提昇效率，只要簡化電路設計或是使用平行運算的多核心系統就行了。現行的傳統方法也
就只能做到如此。因此，除了純學術的研究，美國國防高等研究計畫署(Defense Advanced
Research Projects Agency)也花了將近一億美金在自己的SyNAPSE（突觸）計畫上，開發
小巧低耗能的仿神經型態技術。
其中主要的承包商IBM，就拿這筆錢開發256位元的數位式仿神經元晶片，作為以後大規模
系統的基本單位。開發人工腦鮑恩則是自己想辦法開發新應用，從Spaun開始。Spaun
(Semantic Pointer Architecture Unified Network)是一個在超級電腦上面跑的腦功能
仿真模型，可以接受視覺刺激、控制機械手臂甚至做決策。其程式語言，是在十年前由加
拿大滑鐵盧大學的理論神經科學家克里斯‧伊里亞史密斯(Chris Eliasmith)所開發。使
用者只需要告訴系統想要執行的功能，例如移動機械手臂，系統就會自動幫你設計好相對
應的神經網絡來控制其動作。
伊里亞史密斯及其團隊在傳統電腦上測試Spaun，結果Spaun可以用250萬個模擬神經元、
模擬視網膜和模擬手臂，完成抄寫手寫的數字、回想清單上的項目、推論出數列中下一個
數字等認知測驗。[5]這絕對是模擬腦功能史上空前的進展，唯一的問題是其運作速度只
有大腦的九千分之一，要模擬大腦一秒的運作就得花上兩個半小時。因此鮑恩向伊里亞
史密斯提議：用Spaun的軟體系統在鮑恩的仿真矽神經元硬體上，用大腦的真實速度模
擬大腦功能。
伊里亞史密斯為此感到十分興奮：「我們就像各自手上有花生醬和巧克力，加起來就超好
吃的！」他們合作拿到了美國海軍研究總署的計畫補助，計畫在三年內做出小型的樣品，
五年內完成完整的系統。就像人腦有感覺神經輸入外界訊息，運動神經輸出動作指令，這
個新系統會配備INI製造的仿神經型態視網膜和耳蝸，配上機械手臂表現動作。但相當於
大腦的核心認知功能，卻是要從零開始。
「這不是新版的Neurogrid計畫，而是全新的設計構造。」鮑恩說，為了更實用，會犧牲
一點仿真度，做出「非常簡單、非常有效率的幾百萬個矽神經元」。畢竟這個系統是為了
應用在實際需求而建立的，而不是為了研究大腦功能的理論模型。鮑恩期許在五年內能
研發出，「完全獨立自主跟環境互動學習的機器人，同時其大腦只消耗跟手機一樣的電力
。」
長遠來看，這個計畫的成果可以從機器人拓展到電腦，提供電腦小巧且低耗能的處理器。
如果研究人員能夠掌握大腦超高效率運作的秘密，也許能夠避免如今不斷縮小的晶片即將
到達極限的命運。「雖然我們不確定我們的方法有沒有用，但是沒試過怎麼會知道？」鮑
恩表示。