本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權(quán)轉(zhuǎn)載，轉(zhuǎn)載請聯(lián)系出處。

技術(shù)篇：當(dāng)前處于運(yùn)算智能到感知智能的過渡階段

正如我們所見，人工智能是靠著龐大的數(shù)據(jù)量和精確計算，在近些年取得了不少令人矚目的進(jìn)步。

但與人腦相比， 其基于的深度神經(jīng)網(wǎng)絡(luò)（DNN）在信息處理的效率，即速度和功耗上，表現(xiàn)仍不夠好。

其中“速度”是指它在計算不同神經(jīng)層的輸出是以順序的方式進(jìn)行，導(dǎo)致每層都必須等待上一層的輸出計算完成后才能執(zhí)行下一步，缺少架構(gòu)靈活性。

“功耗”則是指在馮諾依曼架構(gòu)下，龐大的數(shù)據(jù)量意味著頻繁且大規(guī)模的運(yùn)算，隨之而來的就是功耗的極速上升。

而我們的人腦靠其中的神經(jīng)元以脈沖的形式進(jìn)行信息傳遞，約870億個神經(jīng)元高度非線性地工作，每個神經(jīng)元在外部和內(nèi)部都與其他神經(jīng)元有多達(dá)10000個連接，承載著數(shù)十萬個協(xié)調(diào)的并行過程，功耗卻只要20W左右。

于是人們就把一部分目光投向了類腦計算。

從定義上來看，目前的類腦計算可以分為狹義和廣義兩種。

狹義類腦計算指的就是模仿大腦神經(jīng)結(jié)構(gòu)和工作原理而創(chuàng)新出來的神經(jīng)形態(tài)計算，學(xué)術(shù)界稱其為Brain-like Computing。

廣義的類腦計算則是在借鑒腦的結(jié)構(gòu)和工作原理的同時，又不局限于對腦的模擬，還會融合傳統(tǒng)的人工神經(jīng)網(wǎng)絡(luò) (ANN)等具有更多類腦特征的異構(gòu)神經(jīng)網(wǎng)絡(luò)，學(xué)術(shù)界稱其為Brain-inspired Computing。

相比于深度學(xué)習(xí)中的DNN，類腦計算的研究主要圍繞SNN網(wǎng)絡(luò)展開。

所謂SNN，全稱脈沖神經(jīng)網(wǎng)絡(luò)，是第三代人工神經(jīng)網(wǎng)絡(luò)。它以0/1脈沖序列表達(dá)信息流，編碼里包含了時間信息，與ANN最大的區(qū)別是具有時序性。

只有當(dāng)神經(jīng)元膜電壓積累到特定的電壓閾值時SNN的神經(jīng)元才會放電（發(fā)放脈沖），并不會在每個信息傳遞的周期都被激活。

下面是ANN網(wǎng)絡(luò)和SNN網(wǎng)絡(luò)的詳細(xì)對比：

目前，在業(yè)內(nèi)形成了四個影響較大的SNN模型，包括最接近生物神經(jīng)元的H-H(Hodgkin-Huxley)、使用最廣泛的LIF、結(jié)構(gòu)最簡單的Izhikevich以及更具通用性的SRM。

BindsNET、Spyketorch等少數(shù)平臺可以支持大規(guī)模SNN的構(gòu)建與訓(xùn)練。

不過，對于各種SNN模型，目前還沒有一個統(tǒng)一的訓(xùn)練算法，主流的至少包括三種：

以上的SNN模型和算法，再加上仿真框架以及數(shù)據(jù)集，就構(gòu)成了類腦計算技術(shù)生態(tài)的軟件部分。

硬件生態(tài)部分則主要包括類腦芯片和新型存儲器。

其中，類腦芯片大致分為三類，包括：

1. 支持脈沖神經(jīng)網(wǎng)絡(luò)的神經(jīng)形態(tài)芯片：TrueNorth、Loihi、達(dá)爾文芯片等；
2. 支持人工&脈沖神經(jīng)網(wǎng)絡(luò)的異構(gòu)融合芯片：天機(jī)芯、Loihi2、領(lǐng)啟KA200；
3. 支持神經(jīng)元編程的腦仿真平臺：SpiNNaker、BrainScaleS、領(lǐng)啟KA200等。

新型存儲器主要指憶阻器，它結(jié)構(gòu)簡單、集成密度高，理論上一個就可以實現(xiàn)神經(jīng)突觸的功能，可極大的提升突觸密度，是從硬件層面實現(xiàn)類腦神經(jīng)網(wǎng)絡(luò)的高效方式之一。

熱門的研究方向集中在RRAM（阻變憶阻材料）和MRAM（磁性憶阻材料），其中已有公司在做RRAM的商業(yè)落地。

從科研進(jìn)展上來看，歐美國家在整體上具有先發(fā)優(yōu)勢。

類腦計算這個概念最早是在上世紀(jì)80年代，由一個叫做Cuver Mead的美國科學(xué)家提出。

1995年，瑞士蘇黎世聯(lián)邦理工學(xué)院和蘇黎世大學(xué)率先聯(lián)合成立神經(jīng)信息研究所（INI），正式開創(chuàng)了類腦計算相關(guān)研究的先河。

到了2004年左右，這項技術(shù)就開始得到了IBM、曼徹斯特大學(xué)等多所知名機(jī)構(gòu)的正式“青睞”。

隨后，越來越多的成員加入該隊列。

總的來看，國外主要以IBM、英特爾、德國海德堡大學(xué)、曼徹斯特大學(xué)等為代表，成果包括以下這些：

國內(nèi)類腦計算的研究始于2014年左右，以清華大學(xué)、浙江大學(xué)、中科院等為代表，主要成果包括異構(gòu)（SNN+ANN）融合的“天機(jī)”芯、達(dá)爾文芯片以及該芯片組成的類腦計算機(jī)等。

據(jù)業(yè)內(nèi)人士分析，整體來看，類腦智能的發(fā)展將會經(jīng)歷運(yùn)算智能-感知智能-認(rèn)知智能-自主智能四個階段，每個階段對應(yīng)的應(yīng)用價值都有所不同：

運(yùn)算智能階段的應(yīng)用主要集中于低功耗的移動設(shè)備、可穿戴設(shè)備、IoT智能軟件和具備實時性的端側(cè)離線信息處理工具。

感知智能階段的應(yīng)用主要包括事件驅(qū)動視覺傳感器、神經(jīng)擬態(tài)觸覺傳感器等，應(yīng)用場景分別包括手勢識別、汽車高速避障、工業(yè)視覺、機(jī)器人靈巧手等。

認(rèn)知-自主智能階段則會衍生出各種自適應(yīng)機(jī)器人，是很多類腦公司想要實現(xiàn)的長期目標(biāo)。

現(xiàn)在，類腦智能正處在從運(yùn)算智能到感知智能的階段，除了前文提到的還沒有標(biāo)準(zhǔn)化算法的實現(xiàn)方式以外，還面臨以下4個研究難點：

1、大腦信息處理的數(shù)學(xué)原理與計算模型并不完全清楚

神經(jīng)網(wǎng)絡(luò)架構(gòu)是類腦研發(fā)的基礎(chǔ)。當(dāng)前遇到的問題是網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)、大小和確切性差異很大，尚不清楚網(wǎng)絡(luò)應(yīng)該建多大，以及必須有多少互連才能展示出更好的生物特性。

2、類腦器件和材料需要新的技術(shù)突破

新型納米器件尚存在工藝穩(wěn)定性差、規(guī)模化難度高等問題，類腦系統(tǒng)需要數(shù)以百億的神經(jīng)元協(xié)同工作，而現(xiàn)有類腦芯片硬件資源有限，難以實現(xiàn)大規(guī)模神經(jīng)元互連集成和神經(jīng)元脈沖信息高效實時傳輸。

3、沒有公認(rèn)的benchmark來衡量該領(lǐng)域的進(jìn)展情況

4、最后就是目前觀測大腦的手段單一。不過根據(jù)國內(nèi)學(xué)者預(yù)測，人腦神經(jīng)網(wǎng)絡(luò)精細(xì)圖譜有望在20年內(nèi)完成。

盡管面臨的問題還不少，但類腦的商業(yè)化落地已經(jīng)在摸索中開始并前進(jìn)了。

產(chǎn)業(yè)篇：全球已有3家實現(xiàn)量產(chǎn)

目前，類腦智能的發(fā)展處于商業(yè)化前期的探索階段，相關(guān)類腦創(chuàng)企融資輪次基本都處于A輪，但融資金額基本都在億元以上。

根據(jù)量子位智庫的調(diào)研，在現(xiàn)在這個階段，商業(yè)化公司瞄準(zhǔn)的均是端側(cè)/邊緣類市場， 其中主要有兩個方向：感知類芯片和計算類芯片。

整體來看，做類腦計算（處理器）的公司要多于類腦感知（傳感器）的公司。

國內(nèi)方面，約有10家相關(guān)創(chuàng)企，成立時間基本集中于2017年和2018年。

專注類腦研究的公司和創(chuàng)新轉(zhuǎn)化平臺則有3-5家左右，代表玩家之一靈汐科技已在去年實現(xiàn)類腦芯片（或產(chǎn)品）量產(chǎn)，時識科技（前身為瑞士蘇黎世的aiCTX）也將在今年年底或明年實現(xiàn)量產(chǎn)出貨。

其中靈汐科技在成立年限上雖屬于創(chuàng)業(yè)公司范疇，但其研發(fā)早在2013年清華大學(xué)成立類腦研究中心時便開始。

國內(nèi)其他類腦創(chuàng)企則包括下面這幾家（完整名單見報告）：

海外方面，相關(guān)創(chuàng)業(yè)公司多集中于歐洲和美國，公司數(shù)量略多于中國。

其中有不少和靈汐科技一樣，也是直接從相關(guān)大學(xué)或研究所的類腦研究成果中孵化而來。

值得注意的是，國外出現(xiàn)了全球唯一一家上市的類腦計算公司：成立于2014年的Brainchip。

不過它的股價長期低迷，營業(yè)收入也不夠可觀（去年營收僅160萬美元）。

這可能與Brainchip的產(chǎn)品在性能上并沒有呈現(xiàn)出明顯優(yōu)勢有關(guān)，也側(cè)面反應(yīng)出類腦的商業(yè)價值在二級市場上可能受到爭議。

再來看生態(tài)建設(shè)的情況。

這方面基本還是大型半導(dǎo)體企業(yè)比如英特爾在做。

在國內(nèi)，未出現(xiàn)大型公司主導(dǎo)類腦計算研究的情況，但代表玩家靈汐科技在戰(zhàn)略目標(biāo)上與英特爾、SpiNNaker一致，希望成為新一代算力基礎(chǔ)設(shè)施提供商。

分析師將類腦生態(tài)的上游總結(jié)為硬件制造商、IP授權(quán)方及類腦公司的商業(yè)化伙伴（國內(nèi)的類腦公司選擇的多為國產(chǎn)芯片制造商）。

中游劃分為類腦研發(fā)機(jī)構(gòu)與商業(yè)化公司；下游則為類腦當(dāng)前已經(jīng)展開合作與布局的應(yīng)用領(lǐng)域。

最終形成如下的類腦生態(tài)圖：

具體應(yīng)用場景上，目前的類腦解決方案基本都是首先從低維度信息處理和高速視覺處理開始，主要面向端側(cè)可穿戴設(shè)備、攝像頭和終端設(shè)備。

在此基礎(chǔ)上，未來將加入在復(fù)雜環(huán)境中的實時決策能力，對應(yīng)場景為無人機(jī)和自動駕駛。

隨著類腦技術(shù)(大規(guī)模并行計算、自主學(xué)習(xí)等)和類腦產(chǎn)業(yè)的成熟，在更長的維度上，類腦的應(yīng)用場景將覆蓋數(shù)據(jù)中心以及自主機(jī)器人。

此外，類腦芯片由于其低功耗的特征，非常適合人體植入（可植入式疾病治療）、腦機(jī)接口等應(yīng)用領(lǐng)域。

目前國內(nèi)外總共僅有3家左右實現(xiàn)類腦產(chǎn)品的初步量產(chǎn)，量子位智庫分析行業(yè)遇到的商業(yè)化阻礙主要包括以下幾方面：

首先對于創(chuàng)業(yè)公司來說，存在著客戶替換成本高的問題。

因為芯片行業(yè)的發(fā)展是圍繞產(chǎn)品建立龐大生態(tài)的過程，類腦在產(chǎn)品化過程中，由于其底層邏輯（高度仿腦）與現(xiàn)有計算機(jī)的邏輯存在根本差異，導(dǎo)致其融合過程的難度增加，相關(guān)客戶想要做替代的成本/難度將會非常高。

另外，類腦的價值建立在多項基礎(chǔ)科學(xué)的突破和交叉融合之上，如新型器件需要材料的創(chuàng)新，算法的有效性建立在神經(jīng)科學(xué)的突破上，初創(chuàng)公司還缺乏相應(yīng)的資源和資金進(jìn)行創(chuàng)新。

其次，對于大型半導(dǎo)體公司來說，類腦計算在一定程度與其現(xiàn)有核心業(yè)務(wù)之間存在競爭關(guān)系。他們一般會等到前沿技術(shù)在市場上得到充分驗證后，再進(jìn)行商業(yè)化。

而且對于一些公司來說，其研發(fā)投入來自國家或政府，而不是靠商業(yè)化盈利。在這種情況下其研發(fā)資金有充足保障，在投資方撤資前，這項技術(shù)通常不會將商業(yè)化納入考慮范圍，比如IBM的TrueNorth項目，其主要服務(wù)于美國軍方部門。

最后，從整體上來看，目前圍繞類腦的研究人員和開發(fā)者數(shù)量有限，這也是限制類腦智能規(guī)?；l(fā)展的因素之一。

但盡管如此，分析師認(rèn)為，眼下類腦計算還是存在著兩條非常有潛力的商業(yè)化路徑：

大規(guī)模并行計算硬件平臺（計算類）和基于事件驅(qū)動特性的產(chǎn)品（傳感類）。

其中，后者是最有可能率先實現(xiàn)商業(yè)化落地的方向。

一方面因為事件驅(qū)動特性能夠解決 AI 細(xì)分市場當(dāng)前面臨的迫切問題——能耗高；另一方面，事件驅(qū)動的技術(shù)成熟度更高，已有公司開發(fā)出完整的解決方案。