当 IBM 的深蓝超级计算机在 1997 年的著名比赛中险胜世界象棋冠军加里·卡斯帕罗夫时，它依靠的是纯粹的蛮力。 这台机器每秒评估约 2 亿个潜在的棋盘走法，而其血肉之躯的对手最多每秒只考虑三个。 但是，尽管深蓝取得了胜利，但在视觉、听觉、模式识别和学习等领域，计算机并不是人脑的真正竞争对手。 例如，计算机无法与我们仅凭朋友走路的方式就从远处认出朋友的能力相提并论。 而在运行效率方面，根本无法比拟。 一台典型的房间大小的超级计算机的重量大约是人脑的 1,000 倍，占用的空间是人脑的 10,000 倍，消耗的电力是人脑的百万倍，而人脑只是一个甜瓜大小的神经组织团块。
大脑如何在神经元之间以相对缓慢的千分之一秒的速度传输化学信号的情况下，最终比最强大的数字处理器更快、更有效地执行某些任务？ 秘密似乎在于大脑如何组织其慢速作用的电子元件。
大脑不执行编码指令； 而是激活神经元之间的连接，或突触。 每次这样的激活都相当于执行一条数字指令，因此可以将大脑每秒激活的连接数与计算机在同一时间内执行的指令数进行比较。 突触活动是惊人的：每秒 1 千万亿 (1016) 个神经连接。 这需要一百万台英特尔奔腾驱动的计算机才能达到这个速度——再加上几百兆瓦的电力来驱动它们。
支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。 通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
现在，一个规模虽小但富有创新精神的工程师社区正在复制神经元组织和功能方面取得重大进展。 研究人员谈到已将神经连接的结构变形为硅电路，从而创造出神经形态微芯片。 如果成功，这项工作可能会为盲人带来可植入的硅视网膜，为聋人带来可以使用单个 9 伏电池持续使用 30 年的声音处理器，或者为机器人和其他智能机器带来低成本、高效的视觉、音频或嗅觉识别芯片。
我们在宾夕法尼亚大学的团队最初专注于变形视网膜——眼睛后部内衬的半毫米厚的组织薄片。 视网膜由五层专门的神经细胞组成，预处理传入的视觉图像以提取有用的信息，而无需大脑花费大量精力。 我们选择视网膜是因为解剖学家已经充分记录了该感觉系统。 然后，我们进一步变形构建这些生物电路的发育机制——我们将这个过程称为变态变形。
神经形态视网膜
视网膜中近一百万个神经节细胞比较从六个到数百个光感受器组接收的视觉信号，每组解释视觉场中小部分区域中发生的事情。 随着给定区域的光强度等特征发生变化，每个神经节细胞都会沿着视神经向大脑传输电脉冲（称为尖峰）。 每个细胞的放电量与光强度随时间和空间的相对变化成正比——而不是与绝对输入水平成正比。 因此，神经的敏感度会随着整体光强度的增加而减弱以适应，例如，从黎明到正午观察到的天空光照水平的五十年增长。
米莎·A·马霍瓦尔德在获得生物学学士学位后不久，以及著名的微电子技术专家卡弗·米德，率先在加州理工学院努力用硅复制视网膜。 在他们开创性的工作中，马霍瓦尔德和米德在电子上复制了视网膜五层中的前三层。 其他研究人员，其中几位曾在米德的加州理工学院实验室（包括作者）工作过，也变形了视觉系统的后续阶段以及听觉系统。 卡里姆·扎格鲁尔在 2001 年在我实验室攻读博士学位时，变形了视网膜的所有五层，从而有可能模拟神经节细胞（视网膜的输出神经元）发送到大脑的视觉信息。 他的硅视网膜芯片 Visio1 复制了视网膜四种主要神经节细胞类型的反应，这些细胞类型汇入并共同构成视神经的 90% [参见左侧插图]。
扎格鲁尔用单独的电压输出表示眼睛电路中每个神经元的电活动。 电压控制着晶体管在电路中的给定位置和其他点之间传导的电流，模仿身体如何调节神经突触的反应。 电子光电传感器检测到的光会影响电路中该部分的电压，这类似于它影响视网膜中相应细胞的方式。 通过在他芯片上平铺这个基本电路的副本，扎格鲁尔复制了视网膜五层细胞层中的活动。
该芯片模拟了电压激活的离子通道导致神经节细胞（以及大脑其余部分的神经元）放电尖峰的方式。 为了实现这一点，扎格鲁尔安装了将电流反馈到电路中同一位置的晶体管。 当这种反馈电流到达时，它会进一步增加电压，从而反过来招募更多的反馈电流并导致额外的放大。 一旦达到某个初始水平，这种再生效应就会加速，将电压一直拉升到最高水平，从而产生尖峰。
扎格鲁尔的神经形态芯片功耗为 60 毫瓦，仅为 PC 功耗的千分之一。 凭借其低功耗需求，这种硅视网膜可以为全眼内假体铺平道路——摄像头、处理器和刺激器都植入患有视网膜色素变性或黄斑变性（损害光感受器但保留神经节细胞的疾病）的盲人眼睛内。 目前正在开发的视网膜假体，例如南加州大学开发的视网膜假体，提供所谓的磷光视觉——接受者将世界感知为光点的网格，这是由植入眼睛内的微电极刺激神经节细胞引起的——并且需要一台可穿戴计算机来处理连接到患者眼镜的摄像机捕获的图像。 由于微电极阵列非常小（小于 10 像素 x 10 像素），患者会体验到管状视野——需要头部移动来扫描场景。
或者，使用眼睛本身作为摄像头可以解决“伸颈”问题，而我们芯片的 3,600 个神经节细胞输出应该可以提供接近正常的视觉。 生物相容性封装材料和刺激界面需要进一步改进，才能使高保真假体成为现实，可能在 2010 年之前实现。 还需要更好地了解各种视网膜细胞类型如何响应刺激以及它们如何促进感知。 在此期间，这种神经形态芯片可以在汽车或安全应用或机器人或工厂自动化系统中用作传感器。
变态变形神经连接
我们通过变形视网膜获得的节能效果令人鼓舞，这个结果开始让我思考大脑实际上是如何实现高效率的。 米德在二十年前就很有先见之明地认识到，即使计算技术设法沿着摩尔定律的道路继续发展（摩尔定律指出集成电路每平方英寸的晶体管数量每 18 个月翻一番），我们所知的计算机也无法达到像大脑一样的效率。 但是，否则如何实现呢？ 九年前，我突然想到了解决方案。
我意识到，高效运行来自于硬件针对手头任务的定制程度。 传统计算机不允许进行这种调整； 而是定制软件。 今天的计算机对每项工作都使用一些通用工具； 软件只是更改工具的使用顺序。 相比之下，定制硬件是大脑和神经形态芯片的共同之处——它们都在各个连接的层面上进行编程。 它们根据具体工作调整工具。 但是大脑如何自定义自身呢？ 如果我们可以将这种机制转化为硅——变态变形——我们就可以让我们的神经形态芯片以相同的方式自行修改。 因此，我们不需要费力地逆向工程大脑的电路。 我开始研究神经发育，希望能更多地了解身体如何精确地生产出它需要的工具。
构建大脑的神经网络——一万亿 (1012) 个神经元通过 1 千万亿 (1016) 个突触连接——是一项艰巨的任务。 尽管人类 DNA 包含相当于十亿比特的信息，但这个数量不足以指定所有这些神经元应该去哪里以及它们应该如何连接。 在早期发育过程中利用其遗传信息后，大脑通过神经元之间的内部相互作用以及与身体外部世界的外部相互作用进一步自定义自身。 换句话说，感觉神经元会根据感觉输入自行连接。 调节这个过程的总体规则非常简单：一起放电的神经元会连接在一起。 也就是说，在神经元接收到的所有信号中，它接受那些在其活跃时始终活跃的神经元的信号，而忽略其余信号。
为了了解一层神经元如何与另一层神经元连接，神经科学家研究了青蛙的视网膜-顶盖投影，该投影将其视网膜连接到顶盖（中脑中处理感觉器官输入的区域）。 他们发现，将一层神经元连接到另一层神经元分两个阶段进行。 新生神经元在多肢树状结构中延伸出突起（臂）。 最长的臂成为轴突，即细胞的输出线； 其余的充当树突，即其输入线。 然后，轴突继续生长，由其尖端的变形虫状结构牵引。 科学家称之为生长锥的这种结构会感知神经通讯信号的先驱铺设的化学梯度，从而引导轴突到达顶盖细胞城市中的正确街道，但可以说，没有到达正确的房子。
将目标缩小到顶盖中的正确房子需要第二步，但科学家们并不详细了解这个过程。 然而，众所周知，相邻的视网膜神经节细胞倾向于一起放电。 这一事实让我推测，轴突可以通过追踪活跃顶盖神经元释放的化学气味来找到其在顶盖中的视网膜细胞邻居，因为其邻居最有可能位于这条踪迹的源头。 一旦轴突与顶盖神经元的树突树状结构接触，它们之间就会形成突触，瞧，两个一起放电的神经元就连接在一起了。
2001 年，我实验室的博士生布莱恩·塔巴构建了一个以大脑发育过程的这个方面为模型的芯片。 由于金属线无法重新布线，他决定重新布线尖峰。 他利用了扎格鲁尔的 Visio1 芯片每次其 3,600 个神经节细胞之一发出尖峰时都会输出一个唯一的 13 位地址的事实。 传输地址而不是尖峰绕过了芯片拥有的有限数量的输入/输出引脚。 地址由接收芯片解码，接收芯片在其硅神经元马赛克中的正确位置重新创建尖峰。 这种技术产生了一个在两个芯片中的相应位置之间运行的虚拟轴突束——硅视神经。 如果我们将一个地址替换为另一个地址，我们将属于一个神经元（原始地址）的虚拟轴突重新路由到另一个位置（替换地址）。 我们可以通过将替换存储在数据库（查找表）中并使用原始地址来检索它们，从而将这些我们称之为软线的线路路由到我们想要的任何地方。
在塔巴的人工顶盖芯片（他将其命名为 Neurotrope1）中，软线激活梯度感应电路（硅生长锥）以及附近的硅神经元，这些硅神经元位于蜂窝状晶格的细胞中。 当激活时，这些硅神经元将电荷释放到晶格中，塔巴将晶格设计为像晶体管一样传导电荷。 电荷在晶格中扩散，很像顶盖细胞释放的化学物质在神经组织中扩散一样。 硅生长锥感知到这种模拟的扩散化学物质，并通过更新查找表，将其软线向上拉向梯度——朝向电荷的硅神经元源。 由于电荷必须由硅神经元释放并由硅生长锥同时感知，因此软线最终连接了同时活跃的神经元。 因此，Neurotrope1 将一起放电的神经元连接在一起，就像真实生长的轴突中发生的那样。
塔巴从 Visio1 芯片和 Neurotrope1 芯片之间杂乱的布线开始，通过随机激活硅神经节细胞片，成功地模拟了相邻视网膜神经节细胞一起放电的趋势。 在刺激了数千个片后，他观察到芯片之间软线布线的显着变化。 相邻的人工神经节细胞现在连接到硅顶盖中比初始连接近两倍的神经元。 然而，由于噪声和可变性，布线并不完美：硅视网膜中相邻细胞的末端并没有最终在硅顶盖中彼此相邻。 我们想知道被认为是大脑皮层功能基础的复杂布线模式是如何产生的——以及我们是否可以从自然界获得更多提示来改进我们的系统。
皮层图
为了找出答案，我们必须仔细研究神经科学对皮层（负责认知的脑区）连接的了解。 皮层的面积为 16 英寸直径，像折纸一样折叠起来以适应颅骨内部。 在这片神奇的画布上，婴儿期绘制了外部世界的地图。 最好的例子是科学家称之为 V1 区（初级视觉皮层）的区域，来自视神经的视觉信息首先进入皮层。 不仅图像的长度和宽度尺寸被映射到 V1，而且其中物体的边缘方向也被映射到 V1。 因此，V1 中的神经元对特定角度（垂直线、水平线等）的边缘反应最佳。 相同的方向偏好每毫米左右重复一次，从而可以检测视觉场景不同区域中边缘的方向。
神经生物学家大卫·H·休伯尔和托斯滕·N·维塞尔因在 1960 年代发现 V1 图而分享了诺贝尔医学奖，他们提出了一个用于构建视觉皮层的布线图——我们发现这个图令人望而生畏。 根据他们的模型，每个皮层细胞都连接到两组丘脑细胞，丘脑细胞充当视网膜信号到达皮层的中继站。 一组丘脑细胞应该对黑暗区域的感知做出反应（我们用 Visio1 的 Off 细胞模拟），而另一组应该对光线的感知做出反应（就像我们的 Visio1 的 On 细胞一样）。 为了使皮层细胞偏爱垂直边缘，例如，两组细胞都应设置为沿垂直线排列，但应略微位移，以便 Off 细胞恰好位于 On 细胞的左侧。 这样，当垂直边缘位于正确位置时，视觉场中物体的垂直边缘将激活所有 Off 细胞和所有 On 细胞。 另一方面，水平边缘将仅激活每组细胞中的一半细胞。 因此，当存在垂直边缘时，皮层细胞将接收到两倍的输入并做出更强烈的反应。
起初，我们被这些布线模式所需的细节吓倒了。 我们必须根据每个细胞的方向偏好连接每个细胞，然后系统地修改这些布线模式，以使方向偏好平滑变化，相邻细胞具有相似的偏好。 与皮层中一样，相同的方向必须每毫米重复一次，这些硅细胞与视网膜中的相邻位置连接。 塔巴的生长锥当然无法应对这种复杂性。 在 2002 年底，我们寻找一种完全摆脱这种噩梦的方法。 最后，我们在一个五十年前的实验中找到了答案。
在 1950 年代，著名的英国计算机科学家艾伦·图灵展示了诸如豹子的斑点或奶牛的斑纹之类的有序图案如何从随机噪声中自发产生。 我们希望我们可以使用类似的技术为我们的芯片创建具有相似方向模式的相邻区域。 图灵的想法是他通过在曼彻斯特大学的第一批电子计算机之一上运行模拟进行了测试，他的想法是，模型皮肤细胞会不加区分地分泌黑色染料或漂白剂。 通过在细胞之间引入变化，使它们产生略微不同量的染料和漂白剂，图灵产生了斑点、斑纹甚至斑马状条纹。 这些细微的初始差异被吸墨和漂白放大，从而产生全有或全无的图案。 我们想知道这个概念是否适用于皮层图。
用硅构建大脑
五年前，计算神经科学家米莎·佐迪克斯和他在以色列雷霍沃特魏茨曼科学研究所的同事证明，实际上，类似的过程可以在软件模拟中生成类似皮层的地图。 保罗·梅罗拉，我实验室的另一位博士生，接受了让这种自组织过程在硅中工作的挑战。 我们知道，在微细加工过程中引入的化学掺杂剂（杂质）是随机落下的，这在原本相同的晶体管之间引入了变化，因此我们认为这个过程可以捕捉到自然界中基因表达的随机性。 据推测，这是从豹到豹的斑点图案和从人到人的方向图图案的变化来源。 尽管自然界中创建这些图案的细胞表达相同的基因，但它们产生不同量的相应染料或离子通道蛋白。
考虑到这个类比，梅罗拉设计了一个单一的硅神经元并平铺它以创建一个马赛克，其中神经元之间存在类似神经元的兴奋性和抑制性连接，这起到了吸墨和漂白的作用。 当我们在 2003 年启动芯片时，出现了活动模式——类似于豹子的斑点。 当我们呈现具有不同方向的边缘时，不同的细胞组变得活跃起来。 通过用不同的颜色标记这些不同组的位置，我们获得了类似于幼年雪貂 V1 区成像的方向偏好图。
在将视网膜的五层变形为硅之后，我们的目标转向对视觉皮层的全部六层也做同样的事情。 我们已经迈出了第一步，通过变形皮层的输入层 IV 层，获得了不成熟形式的方向偏好图。 然而，皮层厚度为 3 毫米，比视网膜厚五倍，而变形所有六层皮层需要每单位面积具有更多晶体管的集成电路。
今天的芯片制造商可以将一百万个晶体管和 10 米长的导线塞进一平方毫米的硅片上。 到本十年末，芯片密度将仅比皮层组织密度低 10 倍； 皮层每立方毫米有 1 亿个突触和 3 公里的轴突。
研究人员将在设备数量方面接近与皮层匹敌，但他们将如何处理一平方厘米硅片上的十亿个晶体管？ 使用标准方法设计这些高密度纳米技术芯片将需要数千名工程师。 迄今为止，设计工程师的数量增加了 100 倍，同时英特尔处理器中的晶体管数量增加了 10,000 倍。 相比之下，果蝇基因数量仅增加一倍，达到人类的水平，就使进化力量能够构建出神经元数量增加 1000 万倍的大脑。 更复杂的发展过程通过详细阐述相对简单的配方，使复杂性的增加成为可能。 同样，变形神经发育过程而不是简单地变形神经电路，为处理未来纳米电子系统中的复杂性带来了巨大的希望。