如何評價浙江大學發布的全球神經元規模最大的類腦計算機？類腦計算機與普通計算機有何區別 ？
最害怕媒體報道科技成果中出現的『全球最大』『世界首個』之類的辭彙了。
浙江大學類腦計算機的研製，貌似從很早就開始做了，2016年就發布了類腦晶元『達爾文』，號稱是『首款支持脈衝神經網路』的類腦晶元；2019年浙大的腦機介面相關研究被報道，貌似也與此有關。
不過，關於『脈衝神經網路』（SNN）相關研究，IBM、斯坦福大學、arm等貌似進展更勝一籌。感覺浙大這次類腦計算機，也是圍繞支持SNN的產物——達爾文晶元就是瞄準支持SNN開發的，恐怕這也是為何其能耗可以做得這麼低的原因？
我專業非常有限，只能做以上粗淺的理解，求知乎大神或當事人出來說說，這個類腦計算機到底什麼成色？類腦計算時代來了嗎？
附上浙大新聞鏈接：
重磅！我國科學家成功研製全球神經元規模最大的類腦計算機?mp.weixin.qq.com
謝題主邀請，我認為「類腦計算時代」 遠遠沒有到來。我覺得媒體也不要總是要想搞一個大新聞。不管是神經網路模型，還是TPU/NPU這種神經網路專用處理器，都是由神經科學/認知科學啟發，但是其本質都是由計算機科學/電子工程推動的一項具體計算技術。一味上升到哲學高度，而忽視腳踏實地的技術，只會讓AI泡沫面臨再次破裂的風險。
就拿深度學習來說，神經科學在其中起到的作用僅僅是給出一個靈感，但最終要落實到具體的技術上。確實，深度學習研究者比起其他機器學習領域（貝葉斯，核方法等）更可能引用大腦作為參考，但基礎的推動力仍然是應用數學如線性代數，概率論，資訊理論和數值優化。
對於類腦計算，具體的推動力仍然是計算機體系結構的發展。而只要計算機科學底層基座沒有變動（如量子計算投入使用），從多核CPU,到GPU，到FPGA/TPU/NPU，不管是不是非馮結構，本質上都是人類對於摩爾定律終結的最後的反抗，而最終體系結構的發展總有一個天花板，或者是速度或者是功耗。就目前的體系結構而言，而想達到能夠模擬大腦的計算能力遠遠不夠。
GoodFellow在他的著作《Deep Learning》中就談到腦科學/神經科學和深度學習的關係。他認為「如今神經科學在深度學習的研究中作用被削弱，主要原因是我們根本沒有足夠關於大腦的信息做為指導去使用它。要獲得對被大腦使用的演算法的深刻理解，我們需要有能力同時監測（至少是）數千相連的神經元的活動。我們不能夠做到這一點，我們甚至連大腦最簡單、最深入研究的部分都還遠遠沒有理解」。
與之矛盾的是，我國的很多媒體（包括高校的很多專家）經常過分渲染人工智慧與腦科學或認知科學的關係，總喜歡提及「類腦智能」「類腦計算機」。在腦科學沒有得到足夠的發展的情況下，我不認為深度學習模型亦或是TPU/NPU這種專用晶元是在完全模擬大腦，至多算是一種局部的模仿，就像啟發式優化中的智能演算法，或是無人機領域引入仿生學研究，本質上是人類受到智能的啟發，來完成其他的計算目的。
我相信GPU,TPU,NPU,DSP等新型計算機體系結構的發展會加速神經網路模型的訓練和推理，對於工業界的應用無疑是一個福音，但是過分渲染「類腦」「神經元規模最大」只會起到適得其反的效果。我們可以從哲學意義上去欣賞AI，但同樣也需要腳踏實地和實事求是，距離真正的「類腦智能」還有很長的路要走。
參考文獻：
[1]John L.Hermessy. 計算機體系結構：量化研究方法[M]. 北京:機械工業出版社,2012
[2]Ian Goodfellow. 深度學習[M]. 北京:人民郵電出版社,2017
重要結論放前面：給我感覺，業界和這個「類腦」最接近的一個研究方向是存內計算（In-memory computing）
至於題主補充的」首款支持脈衝神經網路（SNN）「的類腦晶元，原文提到用了「792顆浙江大學研製的達爾文2代類腦晶元」，所有我猜這個：
這是個可以跑SNN的採用存內計算結構（或者借鑒了存內計算模式）的計算機。
看到這種新聞，『全球最大』『世界首個』，就感覺有點水深，有點不敢趟。如果有當事人出來答那就好了。我猜測可能寫稿的人和研發的人不一樣，所以稿子寫得有點玄乎其玄了。那麼在當事人出來前，就文中提到的內容，我來分析和猜想下，如果錯誤與遺漏，歡迎指正，大家一起研究與學習。如果報道沒有虛假的成分，那麼這個架構的計算機有幾個討論的點：
存內計算
雖然原文中沒直接提到「存內計算」這個詞，只是說「類腦」，但從他的描述（什麼內存牆限制bla bla bla的），這就是存內計算。原文不直接提這個詞，是否技術上有不一樣的設計？或者只是純粹避開別人造的名詞？（評論區有個補充了達爾文晶元的文獻，感覺並不是簡單的存內計算）
不過稿子里也很誠實，沒有把功勞把自己身上攬
全球科學家們再次將目光瞄準到模仿生物大腦這個最初的夢想，通過模擬人腦結構與運算機制來發展新的計算技術，以期實現高能效與高智能水平的計算。
是「全球科學家」而非「浙大研究員」，說明這個研究還是跟隨著全球研究的方向，並非首創的。
看到這裡應該還有讀者沒懂，存內計算到底是什麼？那就要從我們目前的計算機結構說起。
我們使用的計算機多數是馮諾伊曼架構。馮諾伊曼架構在構建之初的假設就是處理器和內存的速度很接近。
然而，隨著摩爾定律的演進，這一假設早已不再成立。DRAM的性能提升速度遠遠慢於處理器速度，成為了整體計算機性能的瓶頸之一，人稱「內存牆」。
為了打破這個瓶頸，需要把計算存儲放在一起，這就是業內所說的「存內計算(in-memory computing)」。存內計算，顧名思義就是直接在存儲內做計算。其實存內計算也不是浙大首創的，2018年MIT Chandrakasan研究組在ISSCC上也發表過這類研究[1],，就是把computer和memory的部分作為一體了。
當然，並不是把compute模塊和memory打包一起就叫存內計算的。存內計算有著幾個技術挑戰[2]，例如硬體資源的復用問題、存算一體化單元的設計問題、模擬量運算的實現問題等，目前還沒取代馮諾依曼計算機的可能，短期內可看到的應用場景主要是物聯網。
除了MIT，浙大，也有其他機構在做相關項目研究，例如IBM[3]，斯坦福大學和桑迪亞國家實驗室[4]等等。
功耗低？
我們人腦的功耗是20瓦，350-500瓦的功耗也只是比人腦高一個數量級，在計算機中看似非常低了。根據文中描述， 是通過「休眠部門不活躍神經元」來減低功耗。
但原文說這個功耗是「運行功耗」？是否指的是在推斷過程中的功耗？還是推斷過程中的功耗增量？暴力美學集大成者GPT-3做文本生成時功耗也只是400 瓦，浙大這個計算機如果是推斷過程的功耗增量，那確實感覺沒太大亮點。不過那篇稿件是面向公眾的通告，所以沒寫到這麼細。如果單單機器功耗就只有350-500瓦，那還是不錯的，這麼大的玩意竟然和我們家用電腦功耗差不多。
其他？
」近千億神經突觸，功耗350-500瓦。「
如果你看著描述，還以為在描述前些天發布的GPT-3。當然，GPT-3是個模型，這是個計算機結構，這麼比較可能不太合適。
不過文中一筆帶過但我很感興趣的：
可「意念」打字輸入。
這比馬斯克的腦機晶元還牛？？？不是我對浙大沒信心，但這個聽起來有點懸。是否誇大其詞了？還是只是打「空氣鍵盤」，然後用神經網路識別了？又或者是霍金用的那種打字方法？可惜，只是一筆帶過了。
不過能看出在架構上，還是做了新嘗試（雖然這個嘗試別人也做過，但目前還是在起步階段）。
參考
- ^CONV-SRAM: An Energy-Efficient SRAM With In-Memory Dot-Product Computation for Low-Power Convolutional Neural Networks https://dspace.mit.edu/bitstream/handle/1721.1/122468/JSSC2019_manuscript.pdf?sequence=1isAllowed=y
- ^存內計算技術發展趨勢分析 http://tow.cnki.net/kcms/detail/detail.aspx?filename=DXWJ201909025dbcode=CRJT_CJFDdbname=CJFDTEMPv=
- ^IBM研究院用「內存內計算」實現腦啟發式的超維計算 http://www.aeroinfo.com.cn/Item/36616.aspx
- ^最新Science：類腦「人造突觸」實現運算存儲同步，能耗僅需計算機的十分之一 https://cloud.tencent.com/developer/article/1424715
歷史上的技術革命都出現在泡沫消失之後的幾年內。
比如AI，物聯網之類的商業辭彙，本身就是在吹，吹了就有資本，有了資本就能做事，當然這些資本到底多少用於做事，就不清楚了。不過這個循環是沒錯的，你再有東西，也得有資金支持。
當然搞個大新聞這種事本身，尤其是我們理工科生可能十分厭惡。
取得了60分，吹成100分，和爸媽要了100塊錢，希望用這100塊買點輔導書什麼的，別光吃吃喝喝。
感覺這個規模最大的類腦計算機的意義，遠遠不如清華大學類腦計算研究團隊的 天機芯 。
可能 Darwin Mouse 最大的突破點就是規模最大，至少目前在應用上或者原理上還看不到很里程碑的創新點，所以關於「規模最大」這個點，就說兩句話。
- 在 AI 界甚至是 AGI 界應該有個共識——奧卡姆剃刀原理：如無必要，勿增實體。如果是 GPT-3, 在規模巨大的情況下實現了 NLP 的一個大突破，那我們很喜歡它；但如果 Darwin Mouse 在目前這個規模下，所能實現的成果並沒有什麼突破，那麼我們就應該以批判它為主，而不是去讚頌它。（當然，批判不等於拒絕，真正的類腦計算機是需要一步一步地實現的）
- 其實 Yann LeCun 在 ISSCC 2019 上說的很有道理：Why we build the chip for the algorithm that dont work ? 在類腦計算 (Neuromorphic Computing) 真正發展成熟之前，我們不應該過多地直接為它設計專用晶元甚至專用計算機 (據我片面的調研，SNN 目前在反向傳播演算法上還有待斟酌 (DAC 2020 ROAD4NN) )。
因此，現在我們離真正的類腦計算機應該還是有很大一段距離的，個人認為研究路徑應該是這樣的：類腦計算原理-&>類腦計算晶元-&>類腦計算機-&>大規模類腦計算機。類腦計算原理的發展不僅僅要靠計算機科學或者人工智慧的發展，還要靠腦科學的發展，而後者相對前者是滯後的，因此更不必說將兩者徹底融合產生突破性類腦計算原理了。當然，我們不拒絕從現在開始發展類腦計算晶元，只是希望不要好高騖遠、步子太大。天機芯就找到了這個平衡，它沒有使用單一的純類腦計算，而是將類腦計算和傳統機器學習兩者進行了異構融合，從而具有更突破性的意義。
別拿外宣軟文當科研。
從運行機制，傳導介質，功能突破3個方面考慮，這玩意都只是有點小創新，沒有什麼劃時代的意義。
至於所謂「規模最大」，更是無機之談。就3個機櫃，神特么規模，還沒有移動公司一個交換機房規模大好不啦？就是能吹。然後那個「最大」……還好外宣不是廣告，不然舉報一下，分分鐘讓他們哭出來。
說實話，具體到遼寧省鐵嶺市蓮花鄉池水溝子一組五號家的洗手間，你站進去你也是「世界上最靚的仔」，因為除了馬桶水箱熱水器，也咩有別的人跟你比啊。
脈衝？沖不沖的，仍舊還是信息的電傳導，並沒有什麼改變。
在人的神經網路中，細胞內信息傳導是電傳導，遵守「全或無」的法則，要麼不發生信息傳導，要麼全部傳導不會有損失。從這一角度上講，啥類腦，都是花頭，在本質上就沒有突破。
如果能解決這個問題，類腦計算機就能變得更加智能。
不得不說，這寫外宣的筆杆子不過硬啊。
首先，解決這個信息丟失損傷問題，不過是在運行機制上更像真的遵守了細胞內「全或無」的法則。而且這個法則不適用於細胞間傳導。
其次，智能什麼時候是由信息損傷不損傷的問題來決定的了？如果這個點站得住腳，無損音樂是不是可以換個名字叫智能音樂，冷軍的油畫是不是可以叫智能油畫，蘭州拉麵切的牛肉片就是智能牛肉片唄？
然而神經網路中，細胞間的神經衝動傳導壓根就不是電傳導，在傳導介質上講，實際是化學傳導。
如果從這個角度講，神特么類腦。樂高搭的糖果工廠再逼真，過家家的時候能生產巧克力吃不？就是個便於拓展的模塊化設計，在這吹啥牛AC呢？
最後，類腦計算機與普通計算機有什麼區別？
我就問魔都迪士尼賣的火雞腿跟全家賣的手槍腿有什麼區別？
如果真的有區別，最大的區別大概就是這個「達爾文」操作系統了吧。
話說，之前我一直以為ATM機裡面有銀行櫃員來的。後來我知道我錯了。因為站在ATM身後的男人不是銀行櫃員，是程序猿。
推薦閱讀：
※欠銀行的錢，下輩子我一定還
※唐家三少：「我的木子走了」
※揭秘斗圖背後的生意經：90後做表情包兩年賺50萬
※王祖賢都退圈14年了，還被罵腰粗？社會對女星的苛責什麼時候能停止...
※約過300人的「炮王」聊天記錄曝光：妖獸世界，要佩好自己的劍