类神经的微芯片（图）

使用以人脑的神经系统为基础研制出的高能效集成电子元件，能制成可植入眼内的硅视网膜以恢复视力，也可用作机器人眼和其他智能传感器。

 

在这张美术图里显示的可植入眼内的硅视网膜，能模仿眼睛的天然功能，从而帮助某些类型的眼盲病人恢复视力。

1997年，IBM超级电脑“深蓝”在那场举世闻名的比赛中险胜国际象棋世界冠军Garry Kasparov（卡斯帕罗夫）。它依靠纯粹的“蛮力”赢得了比赛。它能在1秒钟内考虑约2亿步可能的走法，而其血肉之躯的对手每秒最多只能考虑3步。不过胜利归胜利，计算机在诸如视觉、听觉、图像识别和学习这些领域还远远不是人脑的对手。举个例子，计算机不能像我们那样仅凭一个朋友走路的姿势就从远处把他给认出来。而且要是比较二者能效的话，电脑根本就不能和人脑相提并论。一台房间大小的普通超级电脑比起由神经组织构成的哈密瓜大小的人脑来说，要重1千倍、大1万倍、耗能高100万倍。

人脑以相对缓慢的速度（千分之一秒左右）在神经元之间传递化学信号，但为何最后却能比最强大的数字处理器更迅速更高效地执行特定任务？其中的秘密看来在于人脑是如何组织它这些运作迟缓的电子元件的。

人脑并不做执行代码的工作，它采用的方式是激活神经联络（又叫神经突触）。每次激活就相当于执行了一行代码。所以我们可以拿每秒钟内大脑激活的联络数和同样时间内电脑执行的命令数来做比较。突触活动的数目令人吃惊：每秒10¹⁶次！100万台Intel奔腾处理器才能达到这个速度——另外还需要几亿瓦能量来驱动这些机器。

现在一小群极富创新力的工程师在复制神经元的组织和功能方面取得了巨大进步。研究者们谈论的是将神经联络的结构“类化”到硅电路中去，建立类神经形态的微。如果成功的话，这个成就将能够为盲人植入硅视网膜、为聋人植入声音处理器，这些仪器仅靠一枚9伏电池就能使用30年；也能够制成适用于机器人或者其他智能机器的便宜又好用的视觉、听觉或味觉识别。

我们这个在宾夕法尼亚大学的实验室开始专注于类化视网膜——那是一层位于眼睛后部仅有半毫米厚的网状组织。视网膜由5层特异神经细胞构成，可以处理从外界获取的图像，并从中提取有用信息，这个过程不需要大脑花什么力气。选择视网膜做突破口的原因是解剖学家已经把这个敏感的系统研究得相当清楚了。后来我们转而研究建立这种生物电路的发展机械学机制——我们把这个过程叫做“元类化”（metamorphing）。

类神经形态的视网膜

视网膜上将近100万个神经节细胞会比较从几个或者几百个感光细胞中收集来的视觉信号，每一组细胞负责解释在一小块视野中发生的事情。当某一个区域的特征（如光强）改变的时候，每个神经节细胞就沿视神经向大脑发送电脉冲（也叫尖峰脉冲）。每个细胞根据光强在时间或空间上的相对变化产生相应的脉冲——而不是根据输入的绝对水平。所以视神经的敏感度随着总视觉强度的升高而下降，这样才能适应很多情况，比如说拂晓到正午天空明亮度经历的50倍的升高。

Misha A. Mahowald在取得生物学学士学位之后，便和知名的微电子技术专家Carver Mead一起在加州理工大学开始用硅复制视网膜，他们是这个领域的先驱。在他们开创性的工作中，Mahowald和Mead用电子方法复制了5层视网膜中的前3层。其他研究者在此方向上继续前进，现在已经进入了模拟视觉和听觉系统的下一个阶段，其中一些人在加州理工大学Mead的实验室里接受过训练（包括笔者）。Kareem Zaghloul在2001年（当时他是我实验室的博士生）做出了所有5层视网膜，这可以模拟由视神经节（视网膜的输出神经）送往大脑的视觉信号。他的硅视网膜Visio1复制了视网膜上神经节产生反应的4种模式，这些信号经过反馈，可以制造90%的视神经。

Zaghloul用单个的电压输出来代表眼睛回路中每个神经元的电活动。电流的电压控制由连接在回路给定位置和其他点之间的晶体管传送，模仿了身体调控神经突触的反应模式。由电子感光器探测到的光会影响那部分回路中的电压，类似于光对视网膜上相应细胞的影响。然后他把这些基本回路拷贝粘贴到上，这样就复制了有5层细胞的视网膜是如何活动的。

是通过离子通道（被电压激活）让神经节细胞释放尖峰信号的方式来进行模拟的。为实现这个目的，Zaghloul安装了一些晶体管，它们会把电流送回电路上同一位置。当反馈电流到达的时候，电压增大，从而获得更大的反馈电流，然后电压进一步放大。当电压达到某一阈值的时候，这个再生效果将加速，直接把电压增到最高水平，于是出现尖峰信号。

在60毫瓦的时候，Zaghloul的神经能比一台PC机节能1000倍。由于这种硅视网膜耗能低，它为全方位的眼内修复手术开辟了新天地——可以将照相机、处理器和刺激器都移植到病人眼内，这样可以解决因色素性视网膜炎或斑点恶化（这些疾病损害感光细胞但是不影响神经节细胞）而造成的眼盲患者。视网膜修补术现在已经在逐渐发展起来了，比如在美国南加州大学，有一种叫“光幻视视觉”的技术——感受器把世界看成一个光点网格，用植入眼内的微电极刺激神经节细胞来激发光网格，这个系统需要一个可佩戴电脑来处理由装在患者眼镜上的摄像机所取得的图像。由于微电极阵列非常小（小于10×10像素），病人感受到的是狭窄视野——所以他们得移动头部来进行视野扫描。

另一种方法是，用我们的，再加上用眼睛本身来做照相机的话，就可以解决来回动脖子的问题。因为我们的3600个神经节细胞输出可以实现接近正常的视野。不过具有生物适应性的材料和激发界面还需要进一步完善，也许要到2010年左右才可能真正实现高度安全的修补术。而且还需要更深入地理解不同的视网膜细胞都是如何对刺激进行反应的，以及它们是如何参与形成感知觉的。现阶段的神经可以用作自动装置或者安全应用的传感器，或者用到机器人以及工厂自动化系统中去。

元类化神经联络

我们通过改变视网膜达到了节能的目的，这很激励人心。我不禁开始思考人脑为何能够达到如此高能效的地步。Mead在20年前就很有先见之明地预言说，即便计算机还能保持摩尔定律（即每平方英寸可集成的晶体管数目每隔18个月便会翻一番）预测的发展速度，我们所知的计算机也根本不能达到人脑的效能量级。那么要如何才能达到呢？8年前，我渐渐悟出了这个问题的解决方案。

我意识到，高效率操作来自于硬件对所需要完成的任务的适应程度。传统计算机不能调整自我以实现这种适应；所以它们通过软件来实现适应。今天的计算机仅用几条通用目标工具来解决每一项工作；软件仅仅改变使用工具的顺序。与此不同的是，不断完善硬件是大脑和类神经的共同点。它们改进工具以完成特定工作。不过大脑是如何进行自我完善的呢？如果我们可以把这种机制运用到硅上（就是元类化），我们就可以有自己的类神经自适应，它们用类似大脑的方法来完善自己。这样，我们就不需要做繁杂痛苦的工作来重建大脑回路了。我于是开始研究神经发展学，希望可以学习到关于身体是如何产生它们所需要的工具的更多知识。

建立大脑的神经网络——由10¹⁶个神经突触联接的10¹²个神经元——是一项几乎不可能的任务。尽管人类DNA包含了大概10亿字节的信息量，但这个数量并不能说清神经元的走向，以及它们是怎样联络的。在早期发展阶段，大脑在使用了这些基因信息以后，就通过内部神经元之间的相互作用，以及身体和外部世界的交互作用，来进一步自我完善。换句话说，感觉神经元是自己连线来感知外界输入的。调控这个过程的总原则简单得令人迷惑：一起放电的神经元会联接到一处。也就是说，对于一个神经元接受到的所有信号来说，它只对那些来自于和它一起被激活的神经元的信号起反应，而忽略其他。

为理解一层神经元是如何连线到另一层，神经学家们研究了青蛙连接视网膜和中脑（处理感觉器官输入的信号的区域）的神经纤维的投射情况。他们发现将一层神经元连接到另一层的过程中会经历两个阶段。一个新生神经元将突起（“臂”）延伸到一个多支树上。最长的臂就成为轴突，这是细胞的输入线路；其他部分就成为树突，是输入线路。轴突还会继续生长，被它尖端的一个像变形虫的结构牵引。这个生长锥（这是科学家们的叫法）能感觉用于神经通讯的化学信号的浓度分布，从而引导轴突到达中脑那个细胞城市（如果这样比喻的话）中正确的街道上，而不是确切要去的那栋楼。

将目标再缩小到中脑城市中确切的楼房位置需要进行第二步工作，不过科学家们还不太理解这个过程的细节。但现在很清楚的是，相邻的视网膜神经节细胞也会一起被激活放电。这个事实让我思索，是不是轴突可以通过定位被激活的中脑神经元所释放的化学气味，来发现它在中脑中的视网膜细胞邻居，因为它的邻居最有可能在此踪迹的源头出现。一旦轴突和中脑神经元的树突取得了联系，它们之间就形成一个神经突触，而且，就是这样啦，两个一起放电的神经元就联接到一块儿了！

在2001年，我实验室里的一位博士生Brian Taba以这种大脑发展过程为模型建立了一个。因为金属线是不能重新分布（路由）的，他就采取了重新分布尖峰电流的方法。他利用的是Zaghloul的Visio1，Visio1每输出一个13位地址时，3600个中央神经元细胞中的一个就会放电。有效传播上有限的输入/输出端口的方法是传递地址而不是尖峰电流。地址由接收解码，这样在硅神经拼图上的正确地点重建了尖峰电流。这个技术制造了一束轴突实体，它们在两个相对应的位置上跑来跑去——这就是硅视神经。如果我们用一个地址替代另外一个，我们就是把属于一个神经元（原地址）的实体轴突重新路由到另一个位置（替代地址）上了。我们可以通过把这些替代地址存储在一个数据库（路由表）中，并用原地址来找回它们，以将这些“软线”连接到任何我们想要它们去的地方。

在Taba的人造中脑中（他给它起名叫Neurotrope1），软线激活对浓度梯度敏感的回路（硅“生长锥”）以及附近的硅神经元，它们位于蜂房状网格的单元中。当硅神经元活动时，它们向网格中释放电荷，Taba把这些网格设计成像晶体管那样可以传导电荷。电荷在网格中扩散的方式很像中脑细胞释放的穿过神经组织的化学物质。硅生长锥能感知这些正在“扩散”的“化学物质”，并且把它们的软线拖至浓度梯度的方向——即朝向电荷的硅神经元源头——这通过更新路由表来实现。因为电荷必须由硅神经元释放，且同时由硅生长锥感知，所以软线会在同时活动的相互联接的神经元处截止。这样，Neurotrope1就能把同时放电的神经元连接到一块儿，就像真正生长中的轴突一样。

Taba从Visio1和Neurotrope1之间乱七八糟的连线着手，后来他用随机激活硅神经节细胞块的方法成功地模拟了相邻视网膜神经节细胞很可能同时放电的特点。在激发了几千块细胞之后，他发现间软线连接有了巨大的变化。相邻的人造神经节细胞连接到的硅中脑里的神经元比开始时候要紧密两倍。但是由于噪声和可变性的关系，这些连线并不完美：硅视网膜中相邻的细胞的终点并不在硅中脑中相邻。我们也不知道为什么完全按照大脑皮层功能为基础的这种连线模式会产生这个问题——我们也很想知道是否能从自然界中寻找到改善系统的灵感。

构建“硅脑”

成功地用硅实现了视网膜的全部5层结构以后，我们的目标是实现视皮层区（共6层）的硅化。我们已经完成了第一步，构造第IV层，这是视皮层的输入层，能得到方向偏好地图的初步形式。但是3毫米厚的视皮层比视网膜厚5倍，要想把所有的6层都合成到硅上需要在每单位区域内集成更多的晶体管。

尽管今天的工艺水平能在一平方厘米的硅上面集成100万个晶体管和10米导线，但到2010年的时候，密度比大脑组织的密度还是要小10倍左右；脑皮层的密度是每立方厘米有1亿个突触和3千米轴突。

研究者们现在仅用大量仪器就已经快要可以模拟脑皮层了，但是要如何才能控制每平方厘米硅上面的10亿个晶体管？数千名工程师在考虑如何用常规方法设计这种高密度的纳米技术。到今天为止，工作在这个领域的工程师的数目增长了100倍，伴随而来的是Intel处理器中的晶体管计数增加了1万倍。比较来说，苍蝇的基因数和人类的基因数都增长1倍的时候，人脑的创造力可以产生多于苍蝇脑1亿倍的神经元。在一种相对简单的基本方法上使用更精巧的发展过程也能增加复杂性。所以同样地，尝试模拟神经生长发展过程而不是仅模拟神经回路更有可能在未来用来处理纳米电子系统中的复杂性。