共计 784 个字符，预计需要花费 2 分钟才能阅读完成。
类脑计算的技术实现途径
brain-inspired computing: technical implementation approach
从计算科学和工程学的观点来看，类脑计算是一门以仿生学为基础的、但又超越仿生学的工程研究，其研究基础离不开仿生学提供的大量神经学分析数据，而其具体实现又依赖于物理可实现的小型化、可控的功能载体。目前来看，实现类脑计算可能的技术途径主要有：
（1）基于亚阈值电路和基于忆阻器的数模混合电路的实现方法；（2）基于数字电路的设计实现；（3）基于超级计算机的软件仿真。
混合信号芯片可以做到超低功耗和较高的人工神经元密度，但是基于模拟混合信号的应用开发十分困难，高密度的模拟元器件的性能受制程工艺以及温度、湿度的影响很大，难以进行有效的神经编程（neural programming）、移植和状态监测等；基于数字电路的设计，易于编程和采用不同的芯片制程设计实现，但缺点是受限于海量的数值运算单元，难以实现高密度的神经元系统；相较于前两种方式，基于超级计算机的方案可以比较方便的构建不同尺度的类脑仿真系统，但缺点是运行速度较慢，设备昂贵且功耗巨大。作者认为，目前已有的类脑计算的研究工作存在着以下几方面的问题：
1. 热衷于追求更大规模的神经网络实现，而忽略了神经系统信息处理中最重要也是最基本的单元——神经环路的研究。2. 大多工作集中在神经活动模型和学习计算理论两方面，忽略了神经网络的动力学特性。比如：采用离线学习的 truenorth 芯片，需要通过静态配置的方式将离线训练完成的神经网络参数进行部署，才能实现特定的应用。3. 已有类脑计算架构设计者大多是来自计算机相关专业的专家和学者，往往受人工智能神经网络设计思路的影响，集中在寻找合适的特征来描述外部世界的复杂性和不变性，而忽略了从神经网络内部信息表达模态不变性的角度分析和设计类脑计算系统的研究方法。