►圖源：Pixabay.com

撰文 | 黃鐵軍

責編 | 邸利會

知識分子爲更好的智趣生活 ID：The-Intellectual

●●●

在我國的腦計劃“腦科學與類腦研究”中，類腦計算是重要組成部分。這部分的任務是什麼？甚至這個概念是什麼意思？在腦計劃準備過程中，就有不少爭論，之後肯定還會有爭論。有爭論是好事，有利於把有限投入用到刀刃上。這裏我圍繞“類”（怎麼類？）、“腦”（從腦中得到什麼？）和“計算”（怎麼算？）三個問題談一下自己的看法，與業界同道和廣大同仁商榷。

“類”：功能類腦還是結構仿腦？

人類大腦是宇宙間已知的最複雜的對象，擁有已知的最強的智能。儘管計算機在計算速度等方面已經遠遠超過人類大腦，在圍棋這種高智力項目中人工智能系統也已經把人類遠遠甩到後面，但這都是“單項比賽”，大腦無疑是唯一的智能最強的全能選手。

正如歐盟“人類大腦計劃（Human Brain Project）”建議報告中指出的[1]：“除人腦以外，沒有任何一個自然或人工系統能夠具有對新環境與新挑戰的自適應能力、新信息與新技能的自動獲取能力、在複雜環境下進行有效決策並穩定工作直至幾十年的能力。沒有任何系統能夠在多處損傷的情況下保持像人腦一樣好的穩健性，在處理同樣複雜的任務時，沒有任何人工系統能夠媲美人腦的低能耗性。”

用人工智能話語來說，至今爲止的所有人工智能都是“弱人工智能”，而人類大腦是個通用智能系統，擁有“強人工智能”，即具有自我意識，能夠通過學習適應環境和應對未知挑戰。因此，借鑑大腦是發展人工智能的一條重要路線。

關鍵問題是：如何借鑑大腦？或者說怎麼去“類”腦？

多數人理解的“類腦”是功能類腦，亦即先理解大腦智能的工作機制或原理，然後按照這個科學原理設計人工智能系統。這種思路的基礎是認知科學，大衆都很容易理解；這種觀點也常常影響人工智能的技術走向，但效果差強人意，很多計算機和人工智能專家甚至因此厭倦、反感認知科學乃至腦科學。爲什麼會這樣？

先“理解（大腦）智能”，再“製造（人工）智能”，聽起來很有道理，實際上經不起推敲。特別是要實現強人工智能，這條路線根本不可行。

“理解大腦智能”，即發現“意識的生物學基礎” [2]，這是人類面臨的最重大的科學問題之一，也是包括“中國腦計劃”在內的各國腦計劃關注的最重大的問題。但是，對這個問題的探索纔剛剛開始，多少年能解決？樂觀的腦科學家認爲需要數百年，悲觀的腦科學家認爲永遠解決不了，因爲解決之日就是腦科學終結之時。在1956年人工智能的起點會議中，也探討了類似問題：“一羣神經元如何形成概念？”，實際上這纔是人工智能（特別是強人工智能）最核心的問題。當然人工智能發展了六十年，問題還是那個問題，基本沒有什麼進展。

所以，把“理解智能”作爲“製造智能”的前提，即要先破解大腦的奧祕，才能研製強人工智能系統，實際上是把一個更難的（甚至是最難的）問題作爲前提條件，犯了本末倒置的錯誤，思想根源在於迷信“科學是技術的基礎和前提”。

事實上，人類歷史上重大技術突破往往都在科學原理揭示之前。以飛機爲例，萊特兄弟1903年發明飛機，馮·卡門1908年在巴黎親眼目睹飛行表演後才相信這個事實，並下決心搞清楚飛機爲什麼會飛；直到1946年，他才和錢學森系統提出空氣動力學。這樣的例子不勝枚舉：從中國四大發明，到日常生活中的樂器甚至漿糊，都是先成功實踐，後揭示出科學原理。

任何客觀對象都可以分爲“結構”和“功能”兩個層次，結構是功能的基礎，功能是結構的表現：基本單元按照特定結構組成複雜對象，進而在和環境交互過程中表現出特定功能。大腦的“結構”是指各種神經元（神經細胞）通過神經突觸連接而成的複雜神經網絡，“功能”是指大腦神經網絡表現出來的動力學行爲，包括思維/意識現象。

腦科學研究的中心任務就是發現特定功能（正常腦功能或異常腦疾病）的結構基礎，“腦計劃”的實施會起到支撐和加速作用，甚至實現一些局部突破，但是解決“大腦（結構）何以產生智能（功能）？”這個終極性問題，需要數十年乃至數百年的長期努力，在“腦計劃”十多年的執行週期內，沒人敢預測能走多遠。

因此，類腦計算如果想在“腦計劃”執行週期內有所突破，不能走“功能類腦”的技術路線，坐等認知科學家“猜謎”，而要走“結構仿腦”的路線。

所謂“結構仿腦”，就是要與神經科學家合作，以生物大腦介觀圖譜爲藍圖，採用微納器件模擬生物神經元和神經突觸的信息處理功能，仿照大腦皮層神經網絡和生物感知器官構造出仿生神經網絡，在仿真精度達到一定程度後，加以外界刺激訓練，使之產生與生物大腦類似的信息處理功能和系統行爲[3]。

“結構仿腦”的基礎是繪製大腦圖譜，這是“腦計劃”未來十到十五年持續推進、結果可期的中心任務，既是腦科學的基礎，也是類腦計算的基礎。“結構仿腦”的目標成果是類腦（計算）機，更形象的稱呼是“電子大腦”，它是有望實現更強人工智能乃至強人工智能的新一代計算平臺。

“結構仿腦”主要涉及大腦結構解析和仿真兩大問題，本質上都是工程技術問題，經過持續努力極有可能在十年時間尺度內持續進展並取得重大突破，本文後面的主要內容就是介紹這條路線的可行性及最新進展。樂觀估計，結構仿腦很可能在十到二十年成功，保守估計也不應該超過三十年。具有更強智能的“電子大腦”還是生物大腦和生物智能的對照物，更易操作調控，能夠加快腦科學和數理科學家破解大腦奧祕的歷史進程。因此，類腦計算以及以它爲基礎的強人工智能，並非理解大腦奧祕的結果，而是可率先實現的基礎和前提，

“腦”：繪就大腦精細神經圖譜

如上所述，類腦計算的“腦”不是“功能腦”，而是“結構腦”，即神經元、神經突觸構成的大規模生物神經網絡。

從結構層次認識大腦本來就是現代神經科學的起點。1906年，諾貝爾生理學或醫學獎授予“在神經系統結構研究上的工作”的卡米洛·高爾基（Camilo Golgi，1843-1926）和聖地亞哥·拉蒙·卡哈爾（Santiago Ramony Cajal，1852-1934），他們提出神經元染色法並繪製了大量精美的生物神經網絡圖譜，沿用至今。

神經元（即神經細胞）是大腦神經網絡的基本單元，對於它的功能，1943年麥卡洛克和皮茨想象成“全或無”的邏輯開關。但是，生物神經元真是這樣嗎？這個問題1939年就有人思考，剛剛博士後出站回到劍橋大學的阿蘭·霍奇金（Alan Hodgkin, 1914-1998）和他的博士後安德魯·赫胥黎（Andrew Huxley，1917-2012）選中了大西洋槍烏賊的巨神經元，自制工具，很快就測到這個神經元的靜息電位和動作電位，實驗結果發表在《Nature》上。恰在此時，二戰爆發，兩人投筆從戎。直到1946年，霍奇金和赫胥黎重新拿起膜片鉗，又花了六年時間，精細測量神經元傳遞電信號（神經脈衝，更準確地稱爲動作電位）的動態過程，並給出了精確描述這一動力學過程的微分方程，稱爲霍奇金-赫胥黎方程（Hodgkin-Huxley方程，簡稱HH方程）[4]，1963年獲得諾貝爾獎。可惜的是，人工智能領域很多神經網絡專家竟然不知道這個方程的存在，包括深度學習在內的人工神經網絡模型還在沿用1943年的簡化模型！

接下來是神經突觸解析，這一歷史重任轉到中國人肩上。中國現代神經科學奠基人馮德培（1907-1995）和張香桐（1907-2007）對神經可塑性研究做出了傑出貢獻。

在霍奇金-赫胥黎方程發表的1952年，張香桐就發現樹突具有電興奮性，樹突上的突觸可能對神經元的興奮精細調節起重要作用。1992年國際神經網絡學會授予張香桐終身成就獎，評價他“……爲樹突電流在神經整合中起重要作用這一概念提供了直接證據……這一卓越成就，爲我們將來發展使用微分方程和連續時間變數的神經網絡、而不再使用數字脈衝邏輯的電子計算機奠定了基礎” [5]。

1998年，畢國強和蒲慕明提出了神經突觸脈衝時間依賴的可塑性機制STDP（Spike-Timing Dependent Plasticity）[6-7]：反覆出現的突觸前脈衝有助於緊隨其後產生的突觸後動作電位並將導致長期增強，相反的時間關係將導致長期抑制。2000年，宋森等給出了STDP的數學模型[8-9]。2016年，蒲慕明院士因爲“……神經細胞如何依據對現實世界的體驗，建立新連接或者改變原有連接強度”獲得美國神經學學會格魯伯神經科學獎。

神經突觸雖然微小，但對越來越精密的探測儀器來說，並無突破不了的障礙。人類大腦神經突觸數量達到百萬億，神經元數量達到千億，雖然龐大繁雜，但仍然是一個有限複雜度的物理結構。

2008年，美國工程院把“大腦反向工程”列爲本世紀14個重大工程問題之一，注意，這是解剖學意義上的“結構反向工程”，不是功能模擬。2013年以來，歐洲“人類大腦計劃”以及美、日、韓“腦計劃”都把大腦結構圖譜繪製作爲重要內容。2014年，華中科技大學《單細胞分辨的全腦顯微光學切片斷層成像》獲得國家自然科學二等獎，並被歐洲人類大腦計劃用作鼠腦仿真的基礎數據。2016年3月，美國情報高級研究計劃署（IARPA）啓動MICrONS（大腦皮層網絡機器智能）計劃，對一立方毫米的大腦皮層進行反向工程，並運用這些發現改善機器學習和人工智能算法。2016年4月，全球腦計劃研討會（the Global Brain Workshop 2016）提出需要應對三大挑戰，第一個挑戰就是繪製大腦結構圖譜[10]：“在十年內，我們希望能夠完成包括但不限於以下動物大腦的解析：果蠅、斑馬魚、鼠、狨猴，並將開發出大型腦圖譜繪製分析工具。”彷彿是爲了證明這個預測，2016年9月8日，日本東海大學宣佈繪製出包括十多萬神經元的果蠅大腦神經網絡三維模型[11]。

2017年5月，北京大學在國家自然科學基金委重大科研儀器研製專項《超高時空分辨微型化雙光子在體顯微成像系統》支持下，成功研製出新一代高速高分辨微型化雙光子熒光顯微鏡，獲取了小鼠在自由行爲過程中大腦神經元和神經突觸活動清晰、穩定的圖像。我國“十三五”國家重大科技基礎設施“多模態跨尺度生物醫學成像”已經啓動建設，融合光、聲、電、磁、核素、電子等成像範式，提供從埃到米、從微秒到小時跨越十個空間與時間尺度的解析能力，具備了多種模式動物大腦的高精度動態解析能力。

即將啓動的國家腦計劃把大腦圖譜解析作爲重要任務，明確了對模式動物大腦結構解析規劃，提出了通過國際合作方式繪製大腦介觀圖譜，這是腦科學研究的基礎，也是類腦計算的基礎，應該集中資源優先大力支持。

神經科學爲基，認知科學爲用。通過開放精細神經圖譜，鼓勵各種社會資源以此爲基礎開展認知科學和腦疾病相關研究，是有意義的，但是不能喧賓奪主，本末倒置，重蹈歐洲人類大腦計劃被認知科學攪局的覆轍。需要堅持“有所爲，有所不爲”，把有限投入用到大腦精細神經圖譜解析這項基礎的、共性的任務上，這個率先突破了，“一體兩翼”纔可能起飛，否則，鬍子眉毛一把抓，十五年後難免一地雞毛。

“計算”：超越計算概念，構造仿腦平臺

計算機科學技術和產業的高速發展，讓“計算”這個詞的含義不斷膨脹，似乎計算無所不能。但是，計算機的能與不能，理論邊界早在1936年就由提出者阿蘭•麥席森·圖靈界定清楚了[12]。

衆所周知，圖靈這篇論文的目的是證明“不可計算數”的存在，大家熟知的圖靈機模型，只是副產品。論文結論是任何可物理實現的圖靈機（也就是所有計算機）能夠計算的數都只是一個很小的子集，把智能框定在這樣一個有限範圍顯然是不足取的，包括圖靈在內的計算機和人工智能先驅也並不認爲經典計算機就是實現人工智能的可行平臺，更談不上是實現強人工智能的的平臺。

1943年，也就是人類第一臺計算機發明三年之前，圖靈就提出了“電子大腦”的想法[13]。1950年，圖靈發表題爲《計算機與智能》的文章[14]，明確表示“真正的智能機器必須具有學習能力，製造這種機器的方法是：先製造一個模擬童年大腦的機器，再教育訓練。”

神經網絡是發展人工智能的重要路線，也是目前以深度學習爲代表的新一輪人工智能熱潮的模型基礎。但是，迄今爲止的人工神經網絡都過度簡化，與生物大腦神經網絡對比，至少在三個層次還遠遠不能相提並論：第一，生物神經元的數學模型要比人工神經網絡的神經元數學模型複雜得多；第二，人類大腦是由數百種不同類型的上千億的神經細胞所構成的極爲複雜的生物組織，每個神經元通過數千甚至上萬個神經突觸和其他神經元相連接，即使採用簡化的神經元模型，採用目前最強大的超級計算機模擬人腦，也需要一百臺；第三，生物神經網絡採用動作電位表達和傳遞信息，按照非線性動力學機制處理信息，目前的深度學習等人工網絡還不具備這些特徵。

人類智能和意識是生物神經系統這個大規模非線性動力學系統湧現出的功能。要“製造”更強的智能甚至類人智能，必需在結構和基元上更逼近生物神經網絡，也就是要製造出圖靈所講的“童年大腦”。這種超越經典計算機的機器叫做類腦（計算）機或神經形態機，相關研究從上世紀八十年代開始就一直在持續進行中。

類腦機或神經形態機是仿照生物神經網絡、採用神經形態器件構造的、以多尺度非線性時空信息處理爲中心的智能機器。

具體來說，是從結構層次仿真入手，採用微納光電器件模擬生物神經元和神經突觸的信息處理功能，仿照大腦皮層神經網絡和生物感知器官構造出仿生神經網絡，在仿真精度達到一定程度後，加以外界刺激訓練，使之產生與生物大腦類似的信息處理功能和系統行爲。

類腦機背後的基本理念是繞過“理解智能”這個更爲困難的科學難題，先通過結構仿真等工程技術手段製造出神經形態機，再通過訓練間接達到智能模擬的目的。這條技術路線可總結爲[16,3]：結構層次模仿腦，器件層次逼近腦，智能層次超越腦。

仿真大腦的努力可以追溯到上世紀80年代，代表性工作包括美國生物學家、諾貝爾醫學或生理學獎獲得者傑拉爾德·艾德曼（Gerald Maurice Edelman，1929-2014）的仿腦機（Brain-Based-Devices，BBD）[16-17] 和現代微電子學和大規模集成電路先驅、加州理工學院教授卡弗·米德（Carver Andress Mead，1934—）開創的神經形態工程（Neuromorphic Engineering）[18-19]。三十年來，以硬件方式逼近生物神經網絡的神經形態計算（Neuromorphic Computing）持續發展，全球範圍內發表的論文已經兩千多篇[20]。

近年來，具有類腦機特徵的神經形態計算系統紛紛登場。目前全球範圍內運行的代表性的大型神經形態計算系統有四套：斯坦福大學的Neurogrid[21]，德國海德堡大學的BrainScaleS系統[22]，英國曼徹斯特大學的SpiNNaker系統[23]，美國IBM公司基於TrueNorth芯片構造的系統[24]。與經典計算機類比，這些系統相當於1946年首臺計算機ENIAC，但是發展迅速，例如，BrainScaleS在歐洲人類大腦計劃支持下，預計在2022年，也就是計劃結束前一年，實現在神經信息處理能力上超越人類大腦。

我國在類腦機研製方面還沒有重大規劃和行動，但相關基礎研究工作也已經有上十年的歷史。2015年9月，北京啓動“腦科學研究”重大專項，“腦認知與類腦計算”作爲兩大任務之一，從理論基礎研究、類腦計算機研製和類腦智能應用三個層次佈局了九個方面的任務，包括：大腦結構解析平臺、認知功能模擬平臺、神經形態器件、類腦處理器、機器學習芯片、類腦計算機、視聽感知、自主學習和自然會話，調動了北京地區腦科學研究力量協同攻關重大共性技術，取得了一批具有國際影響力的成果。北京專項啓動一個多月之後，美國能源部（美國超級計算機研製的牽頭部門）10月29-30日召集全國專家，圍繞“神經形態計算：從材料到架構”進行研討[25]，會議內容與北京“腦科學與類腦計算”佈局高度類似。

神經形態器件是類腦機的“晶體管”，最近幾年發展很快。2008年惠普模擬神經突觸的憶阻器件；2016年8月IBM用相變材料仿真神經元；9月，美國馬薩諸塞大學阿默斯特分校採用擴散型憶阻器研製成功逼近神經突觸的器件；10月，普林斯頓大學宣佈研製成功比光神經元，標誌着神經形態器件的競爭已經進入白熱化階段。

我國在神經形態器件方面已經有十多年的研究歷史，北京大學、清華大學、南京大學、中科院上海微系統所、華中科技大學和國防科技大學等單位的成果表明中國很有可能對這一領域產生巨大影響。儘管這些器件應用於神經計算系統還有很長的路要走，它們將從根本上塑造神經計算機的未來，就像晶體管和集成電路對經典計算機的貢獻一樣。

我國在經典計算機時代錯失歷史機遇，經過不懈努力，高性能計算機已經領冠全球，但計算機產業“空心化”局面很難挽回。神經形態計算和類腦機革命正在展開，我國應儘快做出戰略部署，集中優勢研究力量，突破基礎器件（神經形態器件）、核心芯片（神經形態處理器）和基礎軟件及整機，實現類腦計算機產業內生式發展，爲新一代人工智能乃至強人工智能奠定機器基礎。

超越大腦

在1950年那篇題爲《計算機與智能》的文章[14]中，阿蘭·圖靈並未止步於的智能機器的思考，而是提出“吾等目力短亦淺，能知百事待踐行”的實際路線。也正是沿着這樣的路線，經典計算機從計算機器成長爲支撐包括人工智能在內的各種算法、模型和應用的通用平臺，計算已經成爲和理論、實驗並列的科學研究第三範式。

腦與意識作爲自然科學的“最後疆域”，離不開經典計算機的支持，更需要從大腦神經系統精細結構出發，研製能夠重現大腦功能的“電腦”（類腦機）。

總結一下，類腦計算需要遵循以下原則：

(1)先結構，後功能：應該從對生物神經系統的結構仿真出發，而不是從生物智能的功能模擬出發，即科學基礎主要是神經科學，而不是認知科學；

(2)器件層次逼近腦：必須研製功能和尺度都逼近乃至超越生物神經元和生物突觸的神經形態器件，以製造大規模神經網絡硬件系統；

(3)結構層次模仿腦：需要借鑑生物神經網絡的結構設計新的體系結構，在實現類似生物智能的後再進行簡化、優化和擴大規模；

(4)功能層次超越腦：使用互聯網大數據、物聯網傳感器、虛擬環境等多種刺激訓練硬件神經網絡，“培育”智能；

(5)先理解機器智能，再理解生物智能：對機器智能產生的動力學過程進行建模和分析，理解機器智能，再將這種理解外推到生物系統，補充生物實驗，理解生物智能乃至人類意識。

沿着上述原則研製的“電腦”，並不需要等待腦科學認知原理的突破，只要獲得生物神經網絡的介觀圖譜和神經元及神經突觸功能特性，就能製造出生物大腦工作模式和性能相當的智能機器，甚至湧現出自我意識，這將是揭開大腦終極奧祕的重要一步。

我們的大腦是一個足夠複雜的結構，所以才能映射和表達外部世界存在的複雜結構；我們的大腦還是一個動態複雜系統，所以才能感知和處理複雜的動態世界；我們的大腦這個動態系統對形式的加工過程中所進行的變換和抽象，則是知識的源頭。當然，我們的大腦還是一個複雜度有限的結構，複製這樣的結構不過是製造更復雜的結構的起點。一旦“電腦”變爲現實，超越就同時發生了：

(1)速度：神經形態器件可以快多個數量級

(2)規模：沒有顱骨的限制

(3)壽命：電子系統即使有損耗，也可以複製遷移到新系統而永生

(4)精度：生物大腦的很多缺陷和“短板”可以避免和彌補

(5)協作：電腦之間“精誠合作”、“萬衆一心”

(6)進化：電腦自己設計自己

(7)……

參考文獻：

1.H Markram, K Meier et al. The Human Brain Project, A Report to the European Commission. The HBP-PS Consortium, April 2012.

2.Greg Miller. What Is the Biological Basis of Consciousness? Science. Vol.309, Issue 5731, pp.79. July 2005

3.Tie-Jun Huang. Imitating the Brain with Neurocomputer A “New” Way Towards Artificial General Intelligence[J]. International Journal of Automation and Computing, vol.14, no.5, pp.520-531, 2017.

4.Hodgkin A L, Huxley A. A quantitative description of membrane current and its application to conduction and excitation in nerve. The Journal of physiology, 1952, 117(4):500-544.

5.饒毅,魯白,梅林. 神經科學:腦研究的綜合學科. 《生理科學進展》1998年04期

6.Guoqiang Bi, Muming Poo. Synaptic modifications in cultured hippocampal neurons: Dependence on spike timing, synaptic strength, and postsynaptic cell type. J Neurosci 18: 10464-10472,1998.

7.Guoqiang Bi, Muming Poo.Distributed synaptic modification in neural networks induced by patterned stimulation. Nature, 401(6755): 792-796, 1999.

8.Sen Song, Kenneth D. Miller, L. F. Abbott. Competitive Hebbian learning through spike-timing-dependent synaptic plasticity. Nature Neuroscience 3:919-926, 2000.

9.Sen Song, L. F. Abbott. Column and map development and cortical remapping through spike-timing dependent plasticity. Neuron 32:339-50, 2001

10.J T Vogelstein, K Amunts et al. Grand Challenges for Global Brain Sciences. https://arxiv.org/ftp/arxiv/papers/1608/1608.06548.pdf, April 2016

11.R. Mizutani, R. Saiga, A. Takeuchi, K. Uesugi, Y. Suzuki. Three-dimensional network of Drosophila brain hemisphere. https://arxiv.org/ftp/arxiv/papers/1609/1609.02261.pdf. Sept 8, 2016

12.Alan M. Turing. On Computable Numbers, with an Application to the Entscheidungsproblem. Proceedings of the London Mathematical Society. 2.42. pp. 230–65, 1937.[Delivered to the Society November 1936].

13.Andrew Hodges. Alan Turing: The Enigma. London: Vintage, 1992, p251. （轉引自《信息簡史》202頁）

14.Alan M. Turing. Computing Machinery and Intelligence. Mind LIX (236): 433–460, 1950.

15.T. Huang. Brain-Like Computing. Computing Now, vol.9, no.5, May. 2016, IEEE Computer Society [online]

16.G N Reeke, O Sporns, Gerald M. Edelman. Synthetic neural modeling: the `Darwin' series of recognition automata. Proceedings of the IEEE, vol. 78, no. 9, pp. 1498-1530, Sep 1990. doi: 10.1109/5.58327

17.Gerald M. Edelman. Learning in and from brain-based device [J]. Science, 2007, 318: 1103-1105.

18.Carver Mead. Neuromorphic electronic systems. Proceedings of the IEEE, vol. 78, no. 10, pp. 1629-1636, Oct 1990

19.C Mead, M Ismail(ed). Analog VLSI Implementation of Neural Systems. (Dordrecht: Kluwer) 1989

20.Catherine D. Schuman, Thomas E. Potok, Robert M. Patton, J. Douglas Birdwell, Mark E. Dean, Garrett S. Rose and James S. Plank. A Survey of Neuromorphic Computing and Neural Networks in Hardware. May 2017. https://arxiv.org/pdf/1705.06963.pdf

21.B V Benjamin,…,K Boahen, Neurogrid: A Mixed-Analog-Digital Multichip System for Large-Scale Neural Simulations,Proceedings of the IEEE, vol 102, no 5, pp 699-716, 2014.

22.K. Meier. A mixed-signal universal neuromorphic computing system. 2015 IEEE International Electron Devices Meeting (IEDM), pp. 4.6.1-4.6.4, 2015.

23.S B Furber et al. The SpiNNaker project. Proc. IEEE 102 652–65, 2014

24.P A Merolla et al. A million spiking-neuron integrated circuit with a scalable communication network and interface. Science 345 668–73, 2014.

25.https://science.energy.gov/~/media/bes/pdf/reports/.../NCFMtSA_rpt.pdf

製版編輯：黃玉瑩 |

本頁刊發內容未經書面許可禁止轉載及使用

公衆號、報刊等轉載請聯繫授權

[email protected]

商務合作請聯繫

[email protected]

知識分子爲更好的智趣生活 ID：The-Intellectual