一直以來，科學家和工程師們都在努力復刻人腦的工作原理，由此誕生了我們熟悉的神經網絡。

在這一過程中，人們也在嘗試復制感官能力，英特爾的神經擬態芯片 Loihi 就是一項最新的研究成果：它擁有 13 萬個神經元（1024 核），實現了嗅覺模擬，掌握了 10 種危險品不同氣味的神經表征。

人類的嗅覺識別看似只有聞一聞這個動作，但背后的機制非常復雜。

如果你拿起一個葡萄柚聞一聞，水果分子就會刺激鼻腔內的嗅覺細胞。鼻腔內的細胞會立即向你的大腦嗅覺系統發送信號，一組相互連接的神經元中的電脈沖就會在這個嗅覺系統中產生嗅覺。

無論聞到的是葡萄柚、玫瑰還是有害氣體，你大腦中的神經元網絡都會產生該物體特有的感覺。同樣，你的視覺和聽覺、回憶、情緒和決策都有各自的神經網絡，它們都以特定的方式進行計算。

神經擬態計算的優勢

神經擬態計算（Neuromorphic Computing）是一個由硬件開發、軟件支持、生物模型相互交融而成的古老領域，旨在基于仿生的原理讓機器擁有類人的智能。

低功耗、高容錯、創造性…… 人腦有太多值得機器追趕的能力，因此也是很多計算科學家為之向往的存在。在人腦這個僅占 3% 人體質量的器官中，1000 億個神經元攜 1000 萬億個突觸相連接。每一秒都有神經元衰老死亡的情況下，大腦仍能運轉計算著世界撲面而來的巨大信息量。而功耗只有 20 瓦。

1980 年，人類首次打開神經擬態計算的大門。超大規模集成電路 ( VLSI ) 發明者之一、加州理工學院傳奇人物 Carver Mead 首次提出神經擬態概念，并設想用 CMOS 模擬電路去模仿生物視網膜，搭建具有生物計算特性 的系統。

2017 年，作為英特爾研究院的一個研究課題，英特爾開發了代號為 Loihi 的第一款自主學習神經擬態芯片，在神經擬態硬件的開發上邁出一步。

據英特爾中國研究院院長宋繼強介紹，之所以選擇這個研究方向，主要是出于兩個考慮。

第一，想要訓練一個可用的模型，神經擬態技術所需的數據和能耗較少。現在的人工智能和深度學習技術，訓練起來需要大量的數據和能源。一個大型模型所消耗的電量會產生大量的碳排放，約等于 5 輛汽車整個生命周期的排放量。而且隨著人工智能技術的發展，能耗勢必會越來越多。

這時候就需要尋找一種既能提高能效比，又能提高數據使用率的方案。神經擬態計算恰好滿足這種需求。

第二，相比深度學習，神經擬態計算模型更容易解釋和推理。雖然深度學習技術很強大，但它的一個劣勢是黑箱問題。即使是模型開發者，也難以完全解釋清楚復雜模型的工作原理和行為模式。

相比之下，神經擬態作為類腦計算模型有著天然優勢。在逐漸通過小數據學習產生網絡之后，它是可以解釋的，行為更加穩定，也支持更深層次的推理，然后根據更多數據持續自學。

" 我們希望人工智能模型是可以解釋的，我知道你為什么做得好，為什么做得不好，這樣才可以用在一些關鍵的任務當中，" 宋繼強在近日接受 DeepTech 等媒體采訪時表示。

軟硬件結合

在 2020 年 3 月發表的論文中，英特爾和康奈爾大學聯合團隊介紹了 Loihi 芯片背后的故事。

他們以動物的生物嗅覺系統為基礎，測量動物聞到氣味時的腦電波活動，然后根據這些電路圖與電脈沖，導出了一套算法，并將其配置在測試的 Loihi 神經擬態芯片上。

在研究中，Loihi 需要學習檢測復雜混合物的不同氣味。在一個風洞實驗中循環著 10 種氣體物質（氣味），傳感器對各種氣味的反應被傳送至 Loihi，由其芯片電路對嗅覺背后的大腦電路進行模擬。

這一點和居民常用的煙霧和一氧化碳探測器能探測氣味有著本質的不同。因為，這些探測器借助傳感器探測空氣中的有害分子，但無法對各種氣味進行智能分類。

對比此前已有的傳統方法——基于深度學習的解決方案，Loihi 展現出了出色 的識別準確率。傳統方法要達到與 Loihi 相同的分類準確率，該解決方案學習每類氣味需要 3000 倍以上的訓練樣本。這也印證了宋繼強所說的第一點。

在 Loihi 芯片基礎上，英特爾還打造了一個神經擬態系統 Pohoiki Springs，首次將計算能力（神經元）擴展到了 1 億個，將 Loihi 的神經容量增加到一個小型哺乳動物大腦的大小。

Pohoiki Springs 是一個數據中心機架式系統，是英特爾迄今為止開發的最大規模的神經擬態計算系統。它將 768 塊 Loihi 神經擬態研究芯片集成在 5 臺標準服務器大小的機箱中，同時以低于 500 瓦的功率運行。

據宋繼強介紹，英特爾創立 INRC（英特爾神經擬態計算研究社區），面向全球研究機構、創業公司和大型公司開放。企業在了解了英特爾神經擬態計算之后，可以直接向英特爾提交申請，闡述自己的項目提案。

加入社區后，研究機構可以訪問云平臺上的神經擬態計算服務，擁有 1 億神經元的 Pohoiki Springs 系統就在上面。如果有需要，研究人員還可以直接申請 Loihi 硬件，自己搭建 Loihi 芯片的集成平臺去做試驗。整個過程都是免費的。

硅電子自旋量子計算道路

除了神經擬態芯片，英特爾研究院還同時在量子計算領域發力。不過英特爾選擇了一條業界里面比較少有人走的道路：硅電子自旋量子比特。

據介紹，英特爾其實嘗試過比較流行的超導量子比特，但就自身積累而言，硅電子自旋更符合其長期的基于硅半導體的制造工藝和現有技術。

宋院長進一步補充稱，" 一旦做成，我們有信心能把它很快規模化，我們也有信心把它做得便宜，讓更多人體驗到量子計算帶來的好處。所以說我們選擇的這條路是世界上很少有人走的路，但是我們一旦做好，它帶來的效益會很大。"

2020 年 2 月，英特爾與荷蘭量子技術研究中心公布了低溫量子控制芯片 Horse Ridge，稱其有望同時控制最多 128 個量子比特，并且在量子系統的保真度、擴展性和靈活性方面均有重大進展，正在向商用量子計算機邁進。

一般來說，量子比特要在超低溫的環境下工作，人們需要用微波控制它們，而微波需要用電線作為載體。以現在的技術水平，操控 40-50 個量子比特就需要數百根控制線，更不用說未來操控成百上千個量子比特了。數量龐大的布線會約束量子系統的擴展性。

Horse Ridge 的設計理念是簡化量子系統運行時所需的控制線，基于高度集成的系統級芯片（SoC），將 4 個無線電頻率信道集成到上面，每個信道負責控制 32 個量子比特，整體就可以同時控制 128 個量子比特。

每個芯片只需要一根線，如果要控制上千個量子比特，只需要多放一些芯片就可以了，大大減少了工作量。

無論是神經擬態，還是量子計算，都處于很早期的階段，想要應用在現實生活中，還有很長的路要走。但并不意味應用在現階段不重要。

" 我相信，底層技術的創新和科研必須堅持長期主義，保證有‘雙輪驅動’，一個輪 子是基礎底層不太變的核心技術方向，另外一個輪 子是快速實行，要往哪方面去用，" 宋繼強強調。