大資料讓傳統電腦架構捉襟見肘， 真實憶阻器的發現改變了這一局面。 其元件特性適合類比神經元突觸的部分運作， 使得電腦神經網路製作上更能接近人腦。 目前， 一些科技巨頭、創業和研究機構已在探索利用憶阻器強化電腦學習能力甚至取代普通電晶體電腦的路徑。
作者 | Liesbeth Venema
編譯 | 張震、chenxiaoqing
來源 | 新科學家
我們可以談論人工智慧掌握一些人類本領， 比如開車或者玩撲克。 但是， 當需要讓海量、無序資訊變得有意義時， 人類還無法打造一個哪怕是接近大腦的 AI。 部分原因在於大腦未解之謎， 以及已有半世紀歷史的電腦架構，
如今， 一種新的計算範式為突破瓶頸帶來曙光。 這種激進方案使用了一種同時存儲、處理資訊的硬體， 與大腦神經元網路的差別不是很大。 充分發揮這一新範式的潛力， 我們就能創造出可以即時分析資料流程、識別模式， 或許還能獨立自學的機器心智（mind）。
大資料時代， 馮·諾依曼架構捉襟見肘
筆記本， 智慧手機， 平板電腦， 只要你說上來的， 幾乎都遵循著馮·諾依曼結構。 70 多年前， 他主張電腦處理器與存儲單元應該彼此獨立。 聽起來不像是什麼偉大的提議， 但這意味著每運行一個新程式， 沒必要再重新連接電腦。 這種勞動分工的設計很湊效， 人類製造出更快的電腦， 辦法就是串聯處理器與記憶體。
但是， 這一架構也有短處。
處理器需要資料資訊， 必須先從存儲單元讀取。 這就要求電子在兩個元件之間穿梭， 因此， 處理器經常覺得很無聊， 因為要等資料。 你的筆記本為什麼會有「多核」， 這就是其中一個原因；多個處理器單元——每一個都與記憶體連接——意味著， 它們可以同時請求資料， 從整體上加快計算。
如今， 這一局限性真的開始妨礙到人類進步。
資料比以往任何時候都要多， 特別是「大資料」革命正在臨近。 我們已經可以瞥見未來的樣子：預測心臟病， 資料預測分析比傳統醫學方法更快、更准。 英國諾丁漢大學研究人員設計了一種演算法， 可以處理近 400,000 病人的電子病歷， 多麼龐大的資料分析任務。
應用得當， 前景無限。 然而， 如此龐大的資料量已經讓電腦過熱。 美國能源部的一份報告顯示， 世界 5% 到 15% 的能源都被用於計算， 許多浪費在了資料的傳輸中。 這正是我們需要突破馮·諾依曼瓶頸的原因。
人們為此進行了許多嘗試。 上世紀 80 年代， 科學家開始考慮利用光子而不是電子來編譯資訊。 因為光子在光纖中的傳播速度更快， 所需傳播時間更少。 其他人想要堅持使用電子， 不過希望將電子編碼進量子力學特性（自旋）中， 讓電子攜帶更多資訊。 但是， 到目前為止， 這些辦法都沒有很大進展， 主要原因在於實施起來很複雜，
總而言之， 多年來， 這個問題一直挑戰著人類智慧， 之所以很諷刺， 是因為大腦本身就是一台超級電腦， 但所需能耗與一隻 20 瓦的電燈泡差不多。 它們不會存在類似馮·諾依曼結構的瓶頸， 因為同一個神經網路既可以存儲資訊還可以處理資訊。
大腦三大關鍵特徵與傳統類比方法的弊病
那麼， 如何類比人類神經網路呢？這也是麻煩所在。 我們不可能完全知曉大腦如何工作， 不過， 至少要模擬大腦的三個關鍵特徵。
首先， 大腦由大量的神經元以及神經元之間的突觸組成。 其次， 這些連接具有突觸彈性， 也就是說它們可強可弱。 學習， 其實就是強化某組神經元之間連接。
第三個特徵， 脈衝時間相關的突觸可塑性 (spike-time-dependent plasticity)。
事實上， 長期以來， 我們一直在試圖模仿大腦計算方式。 這個研究領域被稱之為神經形態計算， 如今已取得一些進步。
最早突破之一， 來自研究人員 Frank Rosenblatt。 1958 年， 他將研究成果 Mark 1 感知機公佈於眾。 Rosenblatt 對著機器的攝像頭展示了圓圈或三角型卡片， 讓機器進行識別， 他來修正錯誤。50 次嘗試之內，機器已經學會輸入代表圓圈或者三角的信號。
不過，當時的電子工程技術限制了感知機的發展。但是，情況已今非昔比。穀歌的 DeepMind 神經網路的成績令人驚呼，比如去年 AlphaGo 戰勝頂尖人類圍棋手。
TMark 1 感知機
然而，DeepMind 神經網路完全是軟體層面的類比，在標準矽電子元件上運行。所以，儘管和神經元網路學習方式類似，但並未突破馮·諾依曼結構瓶頸。
2014 年問世的 IBM TrueNorth 晶片走的更遠。該晶片有 55 億個矽電晶體，按照人腦 100 萬個「神經元」的結構進行排列。有了這枚晶片，手機可以即時識別視頻物體，比如汽車還是自行車，但是所需電量很少，僅為手機睡眠模式所需量。聽起來很贊，但是，如果將規模擴展到大腦神經元級別，其能耗將是人腦能耗的 1 萬倍。「這個辦法實際上是一種浪費。」瑞士蘇黎世大學神經形態工程師 Giacomo Indiveri 說。
簡言之，儘管想方設法模仿大腦某些特徵，但是，我們從來未曾實現將這三大特徵集中在一個物理系統上。比如，TrueNorth 晶片擁有許多高度連接的「神經元」，但是，如果不借助軟體，根本無法調節連接強度。
憶阻器，機器獨立學習的未來
失敗要歸結於這樣一個事實：傳統電子產品還沒能力真去模擬神經突觸。但現在，我們有辦法了，這要感謝半個世紀前的思想。
1971 年，加州大學伯克利分校的電子工程師 Leon Chua 正在看一道連接基本電路元件的方程式，這些元件包括電阻、電容和電感。他突然注意到，可以用另外一種方式安排這些術語，結果得到一個關於第四個元件的方程式，這第四個元件的抗阻性會根據電流情況發生變化。Chua 將之稱為「憶阻器」，因為它的阻抗性似乎展示出一種記憶能力。但當時並沒有以這種原理工作的材料或者設備，人們幾乎忘記了這個發現。
約十年前，惠普公司的一個由 Stan Williams 帶領的團隊正在研究一種新型記憶體，與臺式電腦不同，在關掉電源後，新記憶體仍然保留資料。研究人員研究著使用了極薄鈦膜的設備，他們發現其阻抗性會隨著經過電流而發生奇怪的變化。最終，他們意識到薄膜中活動的不僅僅是電子，也有原子，它們以微妙的方式反轉變化了材料結構及其抗阻性。易言之，這個團隊無意間創造出 Chua 憶阻器。
Williams 的研究有助於解釋以前為什麼從未發現過憶阻性；因為只能在微觀尺度上自證存在。如今，人們相繼發現一系列可充當憶阻器的物質，包括一些聚合物。
真實憶阻器的出現鼓舞了研究人員，原因有幾個，比如有可能開發出新的計算方式，其技術更成熟、所用語言也比現在的更有效。
但不久後，有人動真格了。
緊跟 Williams 的發現，密西根大學的工程師 Wei Lu 邁出關鍵一步。他向人們展現了這一事實：憶阻器可充當具有彈性的突觸。他拿出了一個由幾層薄矽打造的設備（其中一層帶有少量銀離子），它可以模擬上述大腦的第二個特徵。後來，Lu 展示憶阻器也可以類比大腦的第三個特徵；應用電脈衝確切時點不同（exact timing of applied electrical spikes），憶阻器做成的突觸也會有強弱變化。
這項研究表明，「對於神經形態工程學來說，這真是激動人心的時刻，」Indiveri 說。「目前應該放棄矽電晶體，」荷蘭格羅寧根大學物理學家 Beatriz Noheda 說，聚焦研發成熟的、使用憶阻器的神經網路。
看起來，這只是擴展 Lu 研究成果的一個簡單案例。儘管他的研究只有一個單獨的突觸（帶有一個輸入和輸出神經元），但是，結果已經表明憶阻器可以實現三大重要大腦功能。接下來的研究會考慮搭建多層憶阻器神經元網路；每增加一層，網路就能進行更加複雜的「思考」。
沒那麼快，位於加州的 IBM Almaden 研究實驗室的 Geoffrey Burr 說。他說，Lu 所證實的脈衝時間依存的可塑性，只是在小規模上可行，但是，神經科學家並不確定在人腦大規模學習上表現如何。「在某種程度上，肯定會發生，」他說，「但是，我們還搞不清狀況。」也就是說，部署在大型人工神經網路，並不意味著可以帶來近似大腦的計算能力。
Burr 更喜歡堅持沒有脈衝時間依存的可塑性的網路。他使用的一個網路類似驅動 DeepMind 的神經網路，軟體控制著彈性突觸。但是，通過在憶阻器上運行這些網路（而不是電晶體），他能夠節省很多能源。
2014 年，Burr 搭建了一個這樣的網路，用了差不多 165000 個突觸。經過手寫書信資料集訓練後，該網路能夠準確識別這些手寫書信。Burr 的憶阻器由一種硫系玻璃（a chalcogenide glass）製成，這種材料能夠在原子有序或無序的兩相之間來回切換，改變材料導性。這種相變憶阻器正變得越來越可靠，晶片製造商們，比如英特爾開始出售使用憶阻器的記憶體設備。
其他人認為，憶阻器可以幫助實現完全獨立學習的機器。
英國南安普頓大學納米電子學研究人員 Themis Prodromakis 就是其中一員。去年，他搭建了一個神經網路，有四個輸入，兩個輸出神經元，用憶阻器突觸將它們連接起來。他可以輸入電子信號，比如「1001」或「0110」，這與 20 世紀 50 年代向感知機展示圓圈或三角形類似。不過，感知機需要人類告訴機器有沒有猜對圖形形狀，但 Prodromakis 的網路完全自學，看到 1001 就發送（fire off）一個輸出神經元，看到 0110 就發送另外一個。即使是帶有噪音的信號輸入，它也能正常運行。鑒於真實生活資料充滿噪音，這是一個非常重要的優勢。
最後，我們似乎正利用憶阻器重新創造大腦真實狀態（比如，當你望向窗外時）的精華部分：不存在瓶頸的獨立學習。
適當加以擴展，這類自我學習系統就能即時篩查資料，比如，監測自動駕駛汽車行為、橋樑完整性或者核電站，對龐大資料存儲中心（比如，為社交網路存儲資料的中心）的需求也會減少。由於需要冷卻，這些中心有時會建在北極附近。但是，如果憶阻器網路能夠即時解析資料，那麼，可能就不需要存儲資料。
由憶阻器製成的電腦還有一個潛在的優勢：因為運行原理類似大腦，因此，與人類連接或許會更容易些。現在已有一些使用矽晶片的設備，它們可以獲取大腦運動進而將其轉交給現實世界的東西，比如，癱瘓人控制體外骨骼，或者在睡夢中控制電腦。
但是，挑戰依然不少。大腦神經元行為極為複雜，現有的神經介面很難處理所有那樣的資訊。「要電子元件處理如此豐富、高寬頻的資料，會讓它不堪重負。」Prodromakis 說道。憶阻器，是一個完美解決方案，因為它們只記錄表現脈衝顯著的信號，忽略嘈雜的背景。這讓 Prodromakis 興奮不已，最近，他開始與 Galvani Bioelectronics 合作研發基於憶阻器的神經介面。Galvani Bioelectronics，一家去年成立的英國公司，源自 GlaxoSmithKline 和穀歌子公司一個 5.4 億英鎊合作專案。
困擾憶阻器網路的最大問題之一，是能否高效量產。運行良好的工廠可量產矽晶片，但也同樣適用於憶阻器嗎？
想找到答案，首先需要挑選最佳製造原料。Noheda 已在 Groningen 建立了一個研究中心從事這方面的研究。如果她和其他憶阻器先驅們獲得成功，那麼，未來電腦可能會由那些四十年來、我們一度認為不存在的材料打造而成。
他來修正錯誤。50 次嘗試之內，機器已經學會輸入代表圓圈或者三角的信號。不過，當時的電子工程技術限制了感知機的發展。但是，情況已今非昔比。穀歌的 DeepMind 神經網路的成績令人驚呼，比如去年 AlphaGo 戰勝頂尖人類圍棋手。
TMark 1 感知機
然而，DeepMind 神經網路完全是軟體層面的類比，在標準矽電子元件上運行。所以，儘管和神經元網路學習方式類似，但並未突破馮·諾依曼結構瓶頸。
2014 年問世的 IBM TrueNorth 晶片走的更遠。該晶片有 55 億個矽電晶體，按照人腦 100 萬個「神經元」的結構進行排列。有了這枚晶片，手機可以即時識別視頻物體，比如汽車還是自行車，但是所需電量很少，僅為手機睡眠模式所需量。聽起來很贊，但是，如果將規模擴展到大腦神經元級別，其能耗將是人腦能耗的 1 萬倍。「這個辦法實際上是一種浪費。」瑞士蘇黎世大學神經形態工程師 Giacomo Indiveri 說。
簡言之，儘管想方設法模仿大腦某些特徵，但是，我們從來未曾實現將這三大特徵集中在一個物理系統上。比如，TrueNorth 晶片擁有許多高度連接的「神經元」，但是，如果不借助軟體，根本無法調節連接強度。
憶阻器，機器獨立學習的未來
失敗要歸結於這樣一個事實：傳統電子產品還沒能力真去模擬神經突觸。但現在，我們有辦法了，這要感謝半個世紀前的思想。
1971 年，加州大學伯克利分校的電子工程師 Leon Chua 正在看一道連接基本電路元件的方程式，這些元件包括電阻、電容和電感。他突然注意到，可以用另外一種方式安排這些術語，結果得到一個關於第四個元件的方程式，這第四個元件的抗阻性會根據電流情況發生變化。Chua 將之稱為「憶阻器」，因為它的阻抗性似乎展示出一種記憶能力。但當時並沒有以這種原理工作的材料或者設備，人們幾乎忘記了這個發現。
約十年前，惠普公司的一個由 Stan Williams 帶領的團隊正在研究一種新型記憶體，與臺式電腦不同，在關掉電源後，新記憶體仍然保留資料。研究人員研究著使用了極薄鈦膜的設備，他們發現其阻抗性會隨著經過電流而發生奇怪的變化。最終，他們意識到薄膜中活動的不僅僅是電子，也有原子，它們以微妙的方式反轉變化了材料結構及其抗阻性。易言之，這個團隊無意間創造出 Chua 憶阻器。
Williams 的研究有助於解釋以前為什麼從未發現過憶阻性；因為只能在微觀尺度上自證存在。如今，人們相繼發現一系列可充當憶阻器的物質，包括一些聚合物。
真實憶阻器的出現鼓舞了研究人員，原因有幾個，比如有可能開發出新的計算方式，其技術更成熟、所用語言也比現在的更有效。
但不久後，有人動真格了。
緊跟 Williams 的發現，密西根大學的工程師 Wei Lu 邁出關鍵一步。他向人們展現了這一事實：憶阻器可充當具有彈性的突觸。他拿出了一個由幾層薄矽打造的設備（其中一層帶有少量銀離子），它可以模擬上述大腦的第二個特徵。後來，Lu 展示憶阻器也可以類比大腦的第三個特徵；應用電脈衝確切時點不同（exact timing of applied electrical spikes），憶阻器做成的突觸也會有強弱變化。
這項研究表明，「對於神經形態工程學來說，這真是激動人心的時刻，」Indiveri 說。「目前應該放棄矽電晶體，」荷蘭格羅寧根大學物理學家 Beatriz Noheda 說，聚焦研發成熟的、使用憶阻器的神經網路。
看起來，這只是擴展 Lu 研究成果的一個簡單案例。儘管他的研究只有一個單獨的突觸（帶有一個輸入和輸出神經元），但是，結果已經表明憶阻器可以實現三大重要大腦功能。接下來的研究會考慮搭建多層憶阻器神經元網路；每增加一層，網路就能進行更加複雜的「思考」。
沒那麼快，位於加州的 IBM Almaden 研究實驗室的 Geoffrey Burr 說。他說，Lu 所證實的脈衝時間依存的可塑性，只是在小規模上可行，但是，神經科學家並不確定在人腦大規模學習上表現如何。「在某種程度上，肯定會發生，」他說，「但是，我們還搞不清狀況。」也就是說，部署在大型人工神經網路，並不意味著可以帶來近似大腦的計算能力。
Burr 更喜歡堅持沒有脈衝時間依存的可塑性的網路。他使用的一個網路類似驅動 DeepMind 的神經網路，軟體控制著彈性突觸。但是，通過在憶阻器上運行這些網路（而不是電晶體），他能夠節省很多能源。
2014 年，Burr 搭建了一個這樣的網路，用了差不多 165000 個突觸。經過手寫書信資料集訓練後，該網路能夠準確識別這些手寫書信。Burr 的憶阻器由一種硫系玻璃（a chalcogenide glass）製成，這種材料能夠在原子有序或無序的兩相之間來回切換，改變材料導性。這種相變憶阻器正變得越來越可靠，晶片製造商們，比如英特爾開始出售使用憶阻器的記憶體設備。
其他人認為，憶阻器可以幫助實現完全獨立學習的機器。
英國南安普頓大學納米電子學研究人員 Themis Prodromakis 就是其中一員。去年，他搭建了一個神經網路，有四個輸入，兩個輸出神經元，用憶阻器突觸將它們連接起來。他可以輸入電子信號，比如「1001」或「0110」，這與 20 世紀 50 年代向感知機展示圓圈或三角形類似。不過，感知機需要人類告訴機器有沒有猜對圖形形狀，但 Prodromakis 的網路完全自學，看到 1001 就發送（fire off）一個輸出神經元，看到 0110 就發送另外一個。即使是帶有噪音的信號輸入，它也能正常運行。鑒於真實生活資料充滿噪音，這是一個非常重要的優勢。
最後，我們似乎正利用憶阻器重新創造大腦真實狀態（比如，當你望向窗外時）的精華部分：不存在瓶頸的獨立學習。
適當加以擴展，這類自我學習系統就能即時篩查資料，比如，監測自動駕駛汽車行為、橋樑完整性或者核電站，對龐大資料存儲中心（比如，為社交網路存儲資料的中心）的需求也會減少。由於需要冷卻，這些中心有時會建在北極附近。但是，如果憶阻器網路能夠即時解析資料，那麼，可能就不需要存儲資料。
由憶阻器製成的電腦還有一個潛在的優勢：因為運行原理類似大腦，因此，與人類連接或許會更容易些。現在已有一些使用矽晶片的設備，它們可以獲取大腦運動進而將其轉交給現實世界的東西，比如，癱瘓人控制體外骨骼，或者在睡夢中控制電腦。
但是，挑戰依然不少。大腦神經元行為極為複雜，現有的神經介面很難處理所有那樣的資訊。「要電子元件處理如此豐富、高寬頻的資料，會讓它不堪重負。」Prodromakis 說道。憶阻器，是一個完美解決方案，因為它們只記錄表現脈衝顯著的信號，忽略嘈雜的背景。這讓 Prodromakis 興奮不已，最近，他開始與 Galvani Bioelectronics 合作研發基於憶阻器的神經介面。Galvani Bioelectronics，一家去年成立的英國公司，源自 GlaxoSmithKline 和穀歌子公司一個 5.4 億英鎊合作專案。
困擾憶阻器網路的最大問題之一，是能否高效量產。運行良好的工廠可量產矽晶片，但也同樣適用於憶阻器嗎？
想找到答案，首先需要挑選最佳製造原料。Noheda 已在 Groningen 建立了一個研究中心從事這方面的研究。如果她和其他憶阻器先驅們獲得成功，那麼，未來電腦可能會由那些四十年來、我們一度認為不存在的材料打造而成。