經過12年的努力，英國曼徹斯特大學的研究人員已經完成了“SpiNNaker”超級計算機的建造。

它可以通過多達一百萬的處理單元模擬多達十億神經元的內部運作。

人類大腦中大約有1000億個神經元，通過數以萬億計的突觸交換信號。

盡管這些數字令人印象深刻，但數字大腦模擬需要的遠不止原始的處理能力：相反，需要的是對大多數計算機所基于的標準計算機體系結構的徹底反思。

“大腦中的神經元通常有幾千個輸入;其中一些高達25萬。”斯蒂芬·弗伯(Stephen Furber)教授是SpiNNaker項目的發起人，他告訴我們。

“所以問題在于溝通，而不是計算。高性能的計算機擅長快速地將大塊數據從一個地方發送到另一個地方，但神經模型所需要的是將非常小塊的數據(代表一個脈沖)從一個地方發送到許多其他地方，這是一個完全不同的通信模型。”

研究人員通過設計一種大規模的并行架構來解決這個問題，在這種架構中，一百萬內核中的每一個內核都能夠發送微小的“信息包”(大小僅為72比特)，這些信息由內部通信網絡路由到各自的目的地。

有了這種架構，超級計算機應該能夠很容易地模擬老鼠大腦中的1億個神經元。

然而，即使是一個特別的設計，它本身也遠遠不夠：為了建立一個合適的大腦模型，你還需要正確的連接。

“要建立一個老鼠的大腦模型，原則上，我們需要知道每一個神經元以及它與大腦中其他神經元的連接，”Furber告訴New Atlas。

“在實踐中，這是一個不可行的數據收集量，所以我們必須滿足于神經元類型的統計分布和統計連通性數據，這樣我們才能構建一個具有統計學代表性的大腦模型。”

“這樣的模型現在確實存在，盡管它們在某些地方非常粗糙——它們被拿來與繪制地球地圖的第一次嘗試相比較，后者的精確度變化很大，完全忽略了澳大利亞，因為當時還沒有發現它。”

雖然一對一神經元映射在短時間內可能不會發生，但即使是一個粗略的嘗試也能提供有趣的結果。

舉例來說，研究人員可以建立一個計算機模型來模擬視覺皮層的老鼠，“顯示”一個圖像，這會被轉化成一連串的視神經峰值，并學習如何這樣的信號是由皮質處理，甚至如何使用輸出控制虛擬老鼠或物理機器人的運動。

Furber告訴我們，該系統也有潛力發現更多關于諸如學習等高級功能是如何在大腦中工作的。

“我們已經在突觸層面上支持了大量的學習過程，包括多巴胺增強可塑性，這是一種生物學上可信的強化學習形式。”

“不過，雖然在SpiNNaker身上，把這些局部可塑性規則整合到一個類似大腦的高級學習系統中是可能的，但這也拓展了我們對建立這種系統的理解，從而我們可以宣稱‘這就是大腦的學習方式’。”

研究小組已經用這個系統模擬了大腦中一個叫做基底神經節的區域，這個區域是帕金森氏癥的影響區域。

事實上，這項技術有潛力在醫學領域提供進步，特別是在藥物測試方面，盡管研究人員相信他的研究對真正的病人的影響可能需要幾十年才能實現。

Furber和他的同事現在正在研究第二代機器SpiNNaker2，它使用升級的硅技術來提供10倍的功能密度和能源效率。

這將使整個昆蟲大腦模型的創建成為可能。

關鍵詞：