如果你的大腦可以模擬，會發(fā)生什么？

人工智能的戰(zhàn)場，是算法之爭、數(shù)據(jù)之爭，更是算力之爭。AI燒熱的，不只是一個個街談巷議的話題，更是一顆顆大模型須臾不可離的GPU。

算力焦慮，猶如人工智能頭頂?shù)囊欢錇踉?。吹散這朵烏云，能僅憑傳統(tǒng)芯片不斷升級的力量嗎？也許，我們應(yīng)該換個思路，轉(zhuǎn)而向我們自己的大腦學(xué)習(xí)……

要論能效，還看大腦

1946年，世界上第一臺電腦誕生。1973年，世界上第一臺手機接通。經(jīng)過半個多世紀(jì)的發(fā)展，今天的電腦手機已經(jīng)成為人們追求智能生活不可或缺的基礎(chǔ)設(shè)施。只不過，若論能效——算力與所需能量消耗之比，它們與人腦相比還是略遜一籌。

不妨用數(shù)字說話。訓(xùn)練一款ChatGPT，需要燒掉多少算力？如Open AI所透露的，ChatGPT背后有一個龐大的計算網(wǎng)絡(luò)——Azure AI超算平臺。這個微軟專門建設(shè)的高性能網(wǎng)絡(luò)集群包含1萬顆GPU，為ChatGPT付出的總算力消耗超過3640 PF-days（以每秒計算1000萬億次計，持續(xù)計算3640天）。

而人類大腦在25瓦的極低能耗下，就能實現(xiàn)復(fù)雜環(huán)境中的關(guān)聯(lián)記憶、快速識別、自主學(xué)習(xí)。這是為什么呢？

人類大腦活動是精密而連續(xù)的動力學(xué)過程，復(fù)雜程度遠(yuǎn)超當(dāng)前算力資源模擬的上限。大腦約有1000億個神經(jīng)元，100萬億個突觸，突觸連接的平均長度約10-1000微米。以記憶為例，就與突觸形態(tài)與功能的長期變化有關(guān)。

清華大學(xué)集成電路學(xué)院長聘副教授高濱舉了一個例子：生理學(xué)先驅(qū)巴甫洛夫每天在狗吃飯前敲響鈴聲，再給它食物。經(jīng)過一段時間，狗只要聽到鈴聲，第一反應(yīng)就是分泌唾液。這是因為狗的大腦已經(jīng)在搖鈴鐺和吃東西之間建起連接，微觀層面而言，就是兩個神經(jīng)元之間的突觸連接變強，記憶由是產(chǎn)生，在此基礎(chǔ)上，完成一次自適應(yīng)學(xué)習(xí)。

小小芯片，模擬大腦

與人類大腦不同，迄今計算機的計算體系結(jié)構(gòu)采取馮·諾依曼架構(gòu)，計算與存儲分離。數(shù)據(jù)在處理器和存儲器之間不停地來回傳輸，約80%至90%的功耗都消耗在“搬運”中。

“每運算一次，就相當(dāng)于把貯藏在遙遠(yuǎn)倉庫（存儲器）中的原材料（數(shù)據(jù)）運輸?shù)较嗑嗌踹h(yuǎn)的加工廠（處理器），而且運輸?shù)牡缆泛苁仟M窄。這就導(dǎo)致實際生產(chǎn)效率非常低下，生產(chǎn)能力受到了運輸能力的限制——這個局限就是‘存儲墻’。運算量越大，這個瓶頸就越顯著。”高濱說，馮·諾依曼架構(gòu)在進行大規(guī)模的矩陣運算時，局限更為明顯。

試想一下，人類大腦在思考時會有計算和存儲的分別嗎？左半球計算、右半球存儲？“不是的。大腦的計算、存儲發(fā)生在同一處，無需把數(shù)據(jù)搬來搬去?！敝袊茖W(xué)院微電子研究所研究員尚大山說。

讓我們重新回到人腦的工作原理。神經(jīng)元接收來自其他神經(jīng)元的信號，達(dá)到一定閾值時，即會向其他神經(jīng)元發(fā)送信號。突觸則負(fù)責(zé)信號傳遞，而且會依據(jù)信號的強度調(diào)整傳遞的強度（突觸權(quán)重）。這個看似簡單無奇的過程，卻是身為“萬物靈長”的人類智慧得以承傳的前提，學(xué)習(xí)與記憶發(fā)生的基礎(chǔ)。

簡潔、高效而靈活，這樣的計算方式讓芯片科學(xué)家感慨演化的神奇之余，也不禁設(shè)想：何不設(shè)計一種可以模擬人腦的芯片？

一種新型電路元件——憶阻器，使這一設(shè)想有了實現(xiàn)的可能。

尚大山將憶阻器比作一條流動的河流：“河流的寬度（電阻值）可以根據(jù)流過的水量（電荷）而變化。如果流過更多的水，河床可能會變寬，使后續(xù)的水流更容易通過（電阻減?。＜词顾魍Ｖ梗〝嚯姡?，河流的寬度（憶阻器的電阻狀態(tài)）也不會變化，直到有新的水流來改變它?！?/p>

為何說憶阻器能夠模擬大腦？高濱說，憶阻器的奇妙特性，就在于可以通過外加電壓的調(diào)制來改變其電阻值，這樣，憶阻器器件就可理解為一個“電子突觸”，突觸權(quán)重用憶阻器電阻值來模擬。憶阻器陣列就可模擬人腦神經(jīng)元的突觸連接；神經(jīng)元的功能，則可以搭建具體的功能電路模擬。當(dāng)前人工智能的核心算法——深度神經(jīng)網(wǎng)絡(luò)，就轉(zhuǎn)化為了憶阻器陣列的模擬計算。

簡單說，憶阻器存算一體芯片是存儲器中實現(xiàn)計算。“這相當(dāng)于將加工廠放到了倉庫邊上，做到了本地加工生產(chǎn)，把交通運輸過程中的時間、能源耗費降到最低。”高濱說。

超越“摩爾”，有待時日

衡量信息技術(shù)進步速度的摩爾定律，大家也許都耳熟能詳。不過，在一顆芯片上已可集成800億個晶體管的今天，這一“定律”還能適用多久，業(yè)界不無憂心。為芯片革新尋求增加晶體管數(shù)量之外的可能，在追求更高性能的同時盡量滿足低功耗、低延遲、低成本，成為當(dāng)務(wù)之急。

打破“存儲墻”的存算一體模式，成為超越摩爾定律的潛在方向。而憶阻器，某種程度上就是存算一體的未來。

清華大學(xué)研究人員在實驗室進行憶阻器電學(xué)特性實驗

“憶阻器存算一體芯片最大的優(yōu)勢在于能效高，有望比馮·諾依曼架構(gòu)提升2至3個數(shù)量級，是彌補工藝制程代差的可選路徑?！敝袊苿友芯吭何锫?lián)網(wǎng)研究所副所長牛亞文說，近期清華大學(xué)聯(lián)合中國移動研發(fā)的110納米憶阻器存算一體芯片已經(jīng)達(dá)到馮·諾依曼架構(gòu)28納米GPU的能效。

訪問密集型任務(wù)尤其是這種新型芯片的用武之地。人臉識別、圖像識別、語義分割、大數(shù)據(jù)檢索……種種人工智能時代的尋常場景，都可讓憶阻器高密度和非揮發(fā)性存儲的特性一展長才。

當(dāng)然，當(dāng)前憶阻器存算一體芯片仍存在集成規(guī)模受限、推理精度誤差大、軟件生態(tài)構(gòu)建難等問題，將硬件、軟件、系統(tǒng)、算法、庫以及終端應(yīng)用一體化整合，還有很長一段路要走。有專家提醒，憶阻器芯片一個有待突破的局限在于其耐久性。傳統(tǒng)存儲芯片依恃的晶體管靠控制電子的移動來存儲數(shù)據(jù)，而憶阻器控制的是離子的移動。離子較電子更重，時間一長，靈活性、耐久性不免打了折扣。

芯片研發(fā)是需要在產(chǎn)業(yè)化中不斷淬厲的事業(yè)。從科學(xué)到工程，從實驗室到生產(chǎn)線，憶阻器芯片可以期待的明天，還在業(yè)界不斷嘗試的努力之中。

半月談記者：張漫子

原標(biāo)題：《緩解算力焦慮，向“大腦”要答案》