人脑比任何计算机都更强大、更节能。科学家们正在模仿人脑的工作方式，以制造出更强大的计算机芯片，从而帮助处理每天产生的日益增长的数据。

据外媒报道，为了防止智能家居设备被黑客入侵，研究人员正在开发超高速、节能的类脑芯片，这种芯片可以直接在设备上实时检测威胁。

图片来源：《Horizon: The EU Research & Innovation Magazine》

从智能冰箱和电视到联网牙刷，越来越多的家用电器如今已成为物联网的一部分。这使得分析使用数据或安装远程更新变得更加容易。但这也带来了安全风险。

这些智能设备经常成为黑客攻击的目标，他们利用这些设备创建所谓的僵尸网络——由受感染设备组成的网络，可用于发动大规模网络攻击。

边缘计算

为了解决这个问题，研究人员可以收集所有通过设备的数据，并将其发送到数据中心，在那里使用人工智能算法来识别数百万台联网设备中的可疑活动。但这需要时间，并且需要传输大量数据。

这就是为什么科学家们希望能够在本地——在冰箱或牙刷上——进行这些计算。

然而，这种边缘计算的概念，即在网络边缘本地进行计算，也面临着挑战。许多复杂的计算必须在耗电量极低的小型芯片上快速完成。“如果你生成如此大量的数据，那么实时处理这些数据将非常困难，”专门研究先进计算和光子学的科学家Matěj Hejda博士说道。Hejda参与了一项名为NEUROPULS的计划，该计划正在正面解决这个问题。

Hejda和NEUROPULS团队的其他研究人员正在开发一种小型芯片或处理器，它可以进行非常快速的人工智能计算，而且几乎不消耗任何能源。

“如果发生网络攻击，我们承受不起任何延误。我们依靠人工智能基于海量数据做出快速决策。这就是我们芯片的设计初衷，”Hejda说道。

脑力

该创新灵感源自人脑，人脑能够以远低于当今传统计算机的能耗执行复杂任务。通过基于神经处理的关键特性开展研究，该团队希望为一系列实际应用提供智能、低功耗的计算能力。

“这些电路模拟了大脑的行为，”法国国家科学研究中心首席研究员、阿尔卑斯山射频、光学和微纳电子中心的Fabio Pavanello博士说道。Pavanello负责协调NEUROPULS的研究。

这种神经科学与高科技的全新融合被称为神经形态计算，它正迅速获得广泛关注。

“有很多方法可以做到这一点。我们选择了光子学，这意味着我们使用光束而不是电信号来进行计算，”Pavanello说道。

内存与处理能力的融合

部分研究在Hejda工作的比利时惠普企业实验室进行。那里的研究人员正在努力解决现代人工智能计算的瓶颈之一：内存。

“我们有办法绕过这个障碍，”Pavanello说到。在传统计算机上，内存与进行计算的中央处理器是分开的。处理器进行计算，而计算中使用的数据存储在内存单元中。

这些数据需要不断地从内存转移到处理器，然后再转回来，这通常需要通过某种电路。这给人工智能带来了瓶颈，因为处理器和内存之间的连接无法处理如此海量的数据流。

这种瓶颈会导致计算速度变慢，能耗增加。但研究人员可能已经找到了一种解决方法。

“我们的目标是将内存和计算放在同一个地方，”Hejda表示。“顺便说一下，我们的大脑也是这样做的。在自然界中，记忆和思考似乎是共存的。”

光波

NEUROPULS芯片提出的另一项创新是超低功耗光子计算。它并非使用电信号进行计算，而是使用特殊芯片，让光线通过被称为波导的微观路径。

使用光波具有诸多优势，例如信号损耗极小、发送和接收数据之间的延迟极低以及数据速率极高。“使用不同颜色的光也更容易进行大量并行计算，”Pavanello说道。

“使用这些系统，你可以拥有更多传感器并收集更多数据。这意味着我们可以以更低的能源成本做出更明智的决策。”

使用光子技术的另一个优势是有可能为此类芯片构建更安全的屏蔽，以更好地保护其运行和处理的数据。“这是它们在系统和网络中安全使用的关键要求，”Pavanello补充道。

助力自动驾驶汽车

NEUROPULS研究团队计划在实际应用中测试这款新芯片，例如检测计算机网络入侵。但他们也希望将其应用于其他实际场景。

例如，它可以用来加快自动驾驶汽车的反应时间。当车辆需要在交通中紧急刹车或转向时，它不能等待远程数据中心处理信息并做出响应——一切都必须即时可靠地进行。

NEUROPULS采用的光子架构将提供高带宽和低延迟，使汽车软件能够实时决策，从而提高道路安全性。

这些芯片还可以用于交通摄像头和传感器，帮助优化城市交通，或用于可穿戴健康设备，监测生命体征并在出现问题时发出实时警报。

进展迅速

该项目的合作伙伴包括法国替代能源和原子能委员会、巴塞罗那超级计算中心以及来自意大利、比利时、葡萄牙、德国和希腊的顶尖大学。

研究人员的目标是在2027年之前完成并测试他们的新芯片设计。不过，大脑芯片可能还需要一段时间才能融入设备，因为它们需要为更大规模的应用做好准备。

“尽管我们的方法具有高度可扩展性，但由于采用了与微芯片相同的技术，这项技术实际上还需要几年时间才能真正普及，”Pavanello说道。