人脑其实是一个高效又节能的器官，用又慢又杂乱的神经元，就可以处理一些对世界上最厉害的超级计算机而言都很棘手的问题：理解语言、抽象思考还有控制动作等。而这个比鞋盒还小的人脑，只用了比家里电灯泡还少的能量。
人脑的这种高效和节能一方面给予科学家灵感，另外一方面也吸引了科学家进一步探究其秘密的欲望，而模拟人脑的芯片或系统则满足了这两点，从而引无数英雄竞折腰。
据物理学家组织网近日报道，美国斯坦福大学的科学家研制出了运行速度更快且能效更高的微型芯片，其运行速度为传统个人电脑(PC)的9000倍且能耗低很多。科学家们表示，最新研究有望大力推动
机器人技术和计算技术的发展并进一步提升人类对自己大脑的理解。例如，能像人脑快速高效运行的芯片有望让机械义肢拥有健全肢体的复杂性和反应能力。相关研究发表在国际顶级期刊《电气与电子工程师协会会刊》上。
“神经网格”或能操控义肢
斯坦福大学生物工程副教授夸贝纳·波尔翰研究团队研制出的“神经网格(Neurogrid)”电路板，由16块特制的“神经内核(Neurocore)”芯片组成，每块芯片上都有超过65536个“硅神经元”，这些神经元可以通过80个参数进行编程，以模拟不同类型的神经元。这16块芯片携手，能模拟100万个神经元和数十亿个突触连接。它模拟人脑1秒钟的活动，仅需要1秒钟。“神经网格”的大小与一台iPad相当，功耗为5瓦，仅相当于一个手机充电器，而其能模拟的神经元和突触比其他大脑模拟设备多几个数量级。
“神经网格”所具备的高速运行和低能耗的特征使其成为研究人类大脑的有力工具，除了了解大脑的正常活动，它还可以研究大脑疾病，例如自闭症、精神分裂等，这些疾病用现有的传统技术都很难模拟。有鉴于此，美国国立卫生研究院(NIH)对这款百万神经细胞模型进行了资助。
现在，波尔翰已经着手进行下一步的研究——降低成本并制造编译软件。编译软件能使不具备神经科学知识的工程师和计算机专家也能用其来解决问题，例如，使用“神经网格”控制类人机器人等。波尔翰研究团队正在为残疾病患研发能被类似“神经内核”芯片控制的义肢。
多款人脑模拟设备各有千秋
波尔翰指出，除了他的“神经网格”项目外，还有多个大型的神经形态学方面的研究，正如火如荼地进行着。其中包括欧洲的“人脑计划”以及美国的“大脑计划”等。“人脑计划”旨在用超级计算机模拟人脑的工作原理；而“大脑计划”的主要目的是研发能阅读大脑内数百万个神经细胞的活动并写出这些活动的模式的新型工具。
另外，还有IBM公司的“神经形态自适应塑料可微缩电子系统(SyNAPSE)”项目。SyNAPSE芯片为硅芯片，其架构从人脑的功能、省电性及紧凑性获得灵感。最新的SyNAPSE芯片集成了256个数字神经元，每个神经元配备1024条突触回路，IBM公司希望能在系统中进一步增加神经元的数量。
而由德国海德堡大学基尔霍夫物理研究所主导的“大脑规模(BrainScales)”计划的目标是研制出逻辑芯片来模拟神经元和突触的行为。他们研制出的“高输入数模拟神经网络(HICANN)”能模拟药物之间的相互作用。目前，HICANN系统能模拟512个神经元的活动，每个神经元配备224个突回路。
这些研究各有千秋，也采用了不同的技术手段，例如，让每个硬件电路模拟单个神经单元(单个突触)还是几个神经单元(通过两次激活硬件电路来模拟两个活动突触的影响)等，这就导致不同系统拥有不同的功能，表现也各不相同。
波尔翰还制造了一个度量单位来计算所有这些系统的成本，包括芯片大小、它能模拟多少神经元以及能耗等，结果表明，“神经网格”是最合算的神经元模拟方式，实现了波尔翰的初衷——制造出一款人们能负担得起且能广泛
应用于各个研究领域的系统。
降低成本为当务之急
尽管如此，仍然有很多工作要做，最重要的就是降低成本。目前，“神经网格”电路板上每块芯片的成本约为4万美元。波尔翰相信，使用现代化的制造过程并大批量制造这种芯片，他能将每个“神经内核”的成本降低100倍；更廉价的硬件和编译软件则可以降低芯片的配置成本，如此一来，就能大大降低“神经网格”的成本，让其有机会在多个领域大展拳脚。
例如，像人脑一样高速有效运行的芯片能让义肢拥有健全肢体所具有的复杂性和反应速度。波尔翰预见，未来，一块类似“神经内核”的芯片能被植入残疾人的大脑中，解释人类的运动并将其翻译成命令，指挥义肢。
目前，在波尔翰的实验室内，“神经网格”正在对一个小型义肢进行控制，让其实时执行运动命令。现在看来，这款小型义肢并不起眼，但它的操作杆杠和关节非常简单，这很有可能是未来机器义肢的雏形。
当然，所有这些神经形态学系统，都无法与人脑的复杂性和高效性相比。波尔翰强调称，尽管“神经网格”的能效约为一台模拟100万个神经元的个人电脑的10万倍，但仍然无法与我们的大脑相匹敌。
波尔翰表示：“人脑内神经元的数量是‘神经网格’的8万倍，耗能仅为其三倍。神经形态学领域的工程师们面临的终极挑战就是，规模和能效两不误，也就是说，达到人脑能效的同时，提供更好的可配置性和规模。”
