仿生计算

一些研究领域包含在生物学启发的计算标准下，以及它们的生物学对应领域:

遗传算法↔进化

生物降解性预测↔生物降解

细胞自动机↔生命体

紧急系统↔蚂蚁，白蚁，蜜蜂，黄蜂

神经网络↔大脑

人工生命↔生命

人工免疫系统↔免疫系统

渲染(计算机图形学)↔动物皮、鸟羽毛、软体动物壳和菌落的图案和渲染

林登梅尔系统（Lindenmayer ）↔植物结构

通讯网络与协议↔流行病学和疾病传播

膜计算机↔活细胞中的膜内分子过程

兴奋的媒体↔森林大火、“海浪”、心脏状况、轴突等。

传感器网络↔感觉器官

基于学习的分类系统↔认知，进化

生物启发计算不同于传统人工智能（AI）的地方在于它采用了一种更进化的学习方法，而不是传统人工智能中所谓的“创造论”方法。在传统人工智能中，智能通常是被设计在以下内容之上：程序员是创造者，他创造一些东西，并赋予它智能。另一方面，受生物启发的计算采取了一种更加自下而上、分散的方法；受生物启发技术通常包括指定一组简单规则的方法，一组遵守这些规则的简单生物体，以及迭代应用这些规则的方法。例如，训练一只虚拟昆虫在未知的地形中寻找食物，训练过程包括六个简单的规则。这种昆虫被训练成

• 向右转到达目标和障碍物左侧；
• 左转进入目标和障碍物右侧；
• 左转到达目标-左-障碍-右；
• 右转进入目标-右-障碍-左，
• 左转到达目标——无障碍左转，
• 向右转，目标右转，没有障碍。

由训练好的脉冲神经网络控制的虚拟昆虫在任何未知的地形训练后都能找到食物。经过几代规则应用之后，通常会出现一些复杂行为的模式。复杂性建立在复杂性的基础上，直到最终结果变得非常复杂，而且通常与原始规则的预期结果完全相反。因此，在神经网络模型中，有必要通过实时收集“噪声”系数来精确建模体内网络，随着系统复杂性的增加,这些系数可用于改进网络的统计推断和外推能力。

自然进化是这种方法的一个很好的类比——进化的规则(选择、重组/繁殖、突变和最近的换位)在原则上是简单的规则，然而数百万年来已经产生了非常复杂的生物。遗传算法中也使用了类似的技术。

大脑启发计算是指主要基于大脑机制的计算模型和方法，而不是完全模仿大脑。目标是使机器以大脑启发的方式实现人类的各种认知能力和协调机制，最终达到或超过人类智能水平。

3.1 研究现状

人工智能研究人员现在意识到从大脑信息处理机制中学习的好处。脑科学和神经科学的进步也为人工智能向大脑信息处理机制学习提供了必要的基础。大脑和神经科学研究人员也试图将对大脑信息处理的理解应用到更广泛的科学领域。该学科的发展得益于信息技术和智能技术的推动，反过来大脑和神经科学也将激励下一代信息技术的变革。

3.2 脑科学对大脑启发计算的影响

在新技术和新设备的帮助下，大脑和神经科学的进展，支持研究人员通过不同的实验方法获得大脑的多尺度、多类型生物证据，并试图从不同的方面和功能基础揭示生物智能的结构。从微观神经元、突触工作机制及其特征，到介观网络连接模型，到宏观大脑区间的联系及其协同特征，这些实验和机制研究得出的大脑的多尺度结构和功能机制将为构建未来的大脑启发计算模型提供重要启示。^[1]

3.3 大脑启发芯片

广义而言，脑启发芯片是指参照人脑神经元结构和人脑认知模式设计的芯片。显然，“神经形态芯片”(neuromorphic chip)是一种脑启发芯片，它参照人脑神经元模型及其组织结构，专注于芯片结构的设计，这代表了脑启发芯片研究的一个主要方向。随着“脑计划”在各国的兴起和发展，出现了大量关于神经形态芯片的研究成果，这些成果受到了广泛的国际关注，并为学术界和业界所熟知。例如，欧盟支持SpiNNaker和BrainScaleS、斯坦福的Neurogrid、IBM的TrueNorth和高通的Zeroth。

TrueNorth是一款受大脑启发的芯片，已经由IBM开发了将近10年。自2008年以来，美国国防部高级研究计划局（US DARPA）一直资助IBM开发用于智能处理的脉冲神经网络芯片。2011年，IBM首先通过模拟大脑结构开发了两个认知硅原型，这两个原型可以像大脑一样学习和处理信息。大脑启发芯片的每个神经元都以巨大的并行性交叉连接。2014年，国际商用机器公司（IBM）发布了第二代大脑启发芯片“TrueNorth”与第一代大脑启发芯片相比，TrueNorth芯片的性能大幅提升，神经元数量从256个增加到100万；可编程突触的数量从262144个增加到2.56亿个；总功耗为70毫瓦、每平方厘米功耗为20毫瓦的亚突触运行。与此同时，TrueNorth的核体积仅为第一代大脑芯片的1/15。目前，国际商用机器公司（IBM）已经开发出一种神经元计算机的原型，它使用16个具有实时视频处理能力的TrueNorth芯片。^[2] TrueNorth芯片的超高指标和卓越性能在发布之初就在学术界引起了巨大的轰动。

2012年，中国科学院计算技术研究所(中科院)和法国Inria合作开发了世界上第一个支持深度神经网络处理器架构芯片“寒武纪(Cambrian)”的芯片。^[3] 该技术在计算机体系结构、ASPLOS和MICRO领域的最佳国际会议上获得最好结果，其设计方法和性能得到了国际认可。该芯片可以作为大脑芯片研究方向的杰出代表。

3.4 大脑启发计算面临的问题

• 大脑机制认知不清

人脑是进化的产物。尽管其结构和信息处理机制不断优化，但进化过程中的妥协是不可避免的。脑神经系统是一个多尺度结构。在各个尺度的信息处理机制中仍然存在一些重要问题，如神经元尺度的精细连接结构和脑尺度的反馈机制。因此，即使是综合计算神经元和突触的数，也只有人脑大小的1/1000，在目前的科学研究水平上仍然很难研究。^[4]

• 大脑启发计算的模型和算法不了解

在未来认知脑计算模型的研究中，有必要基于多尺度脑神经系统数据分析结果对脑信息处理系统进行建模，构建基于脑的多尺度神经网络计算模型，多尺度模拟脑的多模态。智能行为能力，如感知、自学、记忆和选择。机器学习算法不灵活，需要大规模手工标记的高质量样本数据。训练模型需要大量的计算开销。大脑启发的人工智能仍然缺乏高级认知能力和推理学习能力。

• 受限的计算架构和能力

现有的大部分大脑启发芯片仍然基于冯·诺依曼(von Neumann)架构的研究，大部分芯片制造材料仍然使用传统的半导体材料。神经芯片只是借用了大脑信息处理的最基本单元。最基本的计算机系统，如存储和计算融合、脉冲放电机制、神经元之间的连接机制等，并且不同规模的信息处理单元之间的机制还没有被集成到大脑启发的计算体系结构的研究中。现在一个重要的国际趋势是开发基于纳米等新材料的神经计算组件，如大脑忆阻器、记忆容器和感觉传感器，从而支持构建更复杂的大脑启发计算架构。基于脑启发芯片的脑启发计算机和大规模脑计算系统的开发也需要相应的软件环境来支持其广泛应用。