把大脑「复制-粘贴」到芯片上，三星、哈佛的大胆设想登上Nature子刊

三星 & 哈佛：我们有一个大胆的想法……

人的大脑有很多令人惊叹的优点，比如功耗低（相当于一个 20 瓦的灯泡）、学习快（人类幼崽看几张图就可以学会一个概念）、环境适应能力强，还具有自主和感知能力。如何把这些能力迁移到人工的智能设备上是一个终极难题。

为了挑战这一难题，三星联合哈佛大学提出了这么一个大胆的想法：把人脑结构「复制 - 粘贴」到芯片上。相关研究登上了最近的「自然 · 电子学」杂志。

论文链接：https://www.nature.com/articles/s41928-021-00646-1

左起：三星高级技术研究院（SAIT）院士、哈佛大学教授 Donhee Ham，哈佛大学教授 Hongkun Park，三星 SDS 总裁兼首席执行官 Sungwoo Hwang（前 SAIT 负责人），三星电子副董事长兼 CEO Kinam Kim ，四位为共同通讯作者。

如论文标题所示，这项研究的精髓可以用两个词来概括：复制和粘贴。复制指的是利用 Ham 博士和 Park 博士（均为论文作者）开发的突破性纳米电极阵列来复制大脑的神经连接图。粘贴则是指将复制的连接图粘贴到一个固态存储器的高密度三维网络上。

三星表示：「大脑是由大量神经元组成的，它们的线路图负责大脑的功能。因此，对线路图的了解是对大脑进行逆向工程的关键。」

与该技术相关的是一个名叫神经形态工程学（Neuromorphic engineering）的研究领域。神经形态（neuromorphic）这一观点是在 20 世纪 80 年代，由加州理工学院的卡弗 · 米德（Carver Mead）提出的。神经形态工程学就是希望采用模拟、数字或模 / 数混合的超大规模集成电路及其相关软件来模仿生物神经元、神经回路以至更大规模的神经组织架构，制造一个仿真人脑芯片或电路，用以构造低能耗、更接近于生物学真实性，实现神经组织相应功能的新器件。

但这是一个很难实现的设想，因为即使到现在，人类依然对大脑结构知之甚少：那么多神经元到底如何连接在一起才能创造出大脑的高级功能？

受限于此，神经形态工程学的目标已经被简化为设计一个「受大脑启发」的芯片，而不是严格地模仿它。

但三星和哈佛的这项研究又将目标拉回了原点：他们就是要实现大脑的逆向工程。

Ham 博士和 Park 博士开发的纳米电极阵列能有效地进入大量神经元，从而以很高的灵敏度记录神经元电信号。大量平行的细胞内记录提供了有关神经元线路图的信息，表明神经元相互连接的位置，以及连接强度。因此，研究者可以从这些记录中提取或「复制」神经元线路图。

接下来，研究者可以把复制的神经元线路图「粘贴」到非易失性存储网络中，比如我们日常生活中使用的固态硬盘（SSD）中的商业闪存或可变电阻式内存（RRAM）等。我们可以对每种存储进行编程，利用其电导率表示神经元连接的强度。

这项研究进一步提出了一种将神经元线路快速粘贴到存储网络上的策略。当直接受细胞内记录的信号驱动时，经过专门设计的非易失性存储器网络可以学习并表达神经元连接图。这是一种将大脑的神经元连接图直接下载到存储芯片上的方案。

研究者使用了最新的神经科学工具，一种名为 CMOS 纳米电极阵列（CNEA）的硅神经电子接口，能够「复制」哺乳动物神经元网络的功能性突触连接图，然后把这个图「粘贴」到高密度的 3D 固态存储网络中。最新的 CNEA 将 4096 个电子通道集成在一个有 4096 个垂直纳米电极的 CMOS 芯片中 (图 a) ，将细胞内并行记录连接起来，从而可以映射 NNN 的功能性突触连接 (图 b)。在体外培养的大鼠皮层神经元网络的 19 分钟记录中，拥有 4096 个通道的 CNEA 测量了 1728 个电极的细胞内信号，可以说相比 10 个左右的片段记录实现了重大飞跃。这个数字还可以很容易地进一步增加，因为可扩展性——制造更大、更密集的 CNEA ——是 CMOS 技术的本质。

但是，这里有一个很大的问题，正如三星所提到的，「人脑预计有 1000 亿左右的神经元，突触连接的数量还要更多（是前者的上千倍），最终的神经形态芯片将需要 100 万亿左右的存储空间。」

这是一篇前瞻性论文（perspective paper），因此文中的很多想法还停留在设想阶段。三星没有透露他们需要多长时间才能打造出这样一个计算巨兽，或者它有多大，只是说，「三星电子主导的『3D 集成（3D integration）』技术开创了存储产业的新时代，因此，在一个芯片上集成如此多的存储将成为可能。」

随着电子技术的发展，计算问题或许很快就可以克服，但这一研究还有一个难题：Ham 博士和 Park 博士的纳米电极阵列真的可以胜任「复制」的任务吗？或许这才是这项研究的关键所在。

参考链接：

https://www.theregister.com/2021/09/27/samsung_planning_a_silicon_brain/

https://news.samsung.com/global/samsung-electronics-puts-forward-a-vision-to-copy-and-paste-the-brain-on-neuromorphic-chips

产业逆向工程芯片复制 - 粘贴人脑结构

相关数据

感知技术

知觉或感知是外界刺激作用于感官时，脑对外界的整体的看法和理解，为我们对外界的感官信息进行组织和解释。在认知科学中，也可看作一组程序，包括获取信息、理解信息、筛选信息、组织信息。与感觉不同，知觉反映的是由对象的各样属性及关系构成的整体。

来源：维基百科

神经科学技术

神经科学，又称神经生物学，是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。对人脑研究是个跨领域的范畴，当中涉及分子层面、细胞层面、神经小组、大型神经系统，如视觉神经系统、脑干、脑皮层。

来源：维基百科

SSD技术

一种计算机视觉模型。论文发表于 2015 年（Wei Liu et al.）

来源：介绍文章

逆向工程技术

逆向工程，又称反向工程，是一种技术过程，即对一项目标产品进行逆向分析及研究，从而演绎并得出该产品的处理流程、组织结构、功能性能规格等设计要素，以制作出功能相近，但又不完全一样的产品。逆向工程源于商业及军事领域中的硬件分析。

来源：维基百科

映射技术

映射指的是具有某种特殊结构的函数，或泛指类函数思想的范畴论中的态射。逻辑和图论中也有一些不太常规的用法。其数学定义为：两个非空集合A与B间存在着对应关系f，而且对于A中的每一个元素x，B中总有有唯一的一个元素y与它对应，就这种对应为从A到B的映射，记作f：A→B。其中，y称为元素x在映射f下的象，记作：y=f(x)。x称为y关于映射f的原象*。*集合A中所有元素的象的集合称为映射f的值域，记作f(A)。同样的，在机器学习中，映射就是输入与输出之间的对应关系。

来源：Wikipedia

神经元技术

（人工）神经元是一个类比于生物神经元的数学计算模型，是神经网络的基本组成单元。对于生物神经网络，每个神经元与其他神经元相连，当它“兴奋”时会向相连的神经元发送化学物质，从而改变这些神经元的电位；神经元的“兴奋”由其电位决定，当它的电位超过一个“阈值”（threshold）便会被激活，亦即“兴奋”。目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。在这个模型中，神经元通过带权重的连接接处理来自n个其他神经元的输入信号，其总输入值将与神经元的阈值进行比较，最后通过“激活函数”（activation function）产生神经元的输出。

来源：Overview of Artificial Neural Networks and its Applications. (2018). medium.com.