如实还原了大脑的神经细胞（神经元）机制的人工智能（AI）模型受到的关注越来越高。NTT与东京大学的合原一幸特别教授等人组成的研究团队利用光学技术制作了人工神经元模型。人类的大脑处理信息时仅消耗相当于20W电力的能量，非常节能，灵活性也比现有计算机更高。2050年有望实现省电并能根据情况选择最佳信息处理方法的“察言观色型AI”。
NTT等制作人工光神经元所使用的装置
生物的大脑利用神经元的瞬时电活动——“激活”现象来传递信息。神经元能瞬间改变电位，此时出现的是针状“尖峰信号”，用于在神经之间传递信号。
这种大脑机制的计算机与现有的计算机机理完全不同，被认为智能级别更高和更加高效。东京大学的合原特别教授表示，如果能模仿大脑机制，“就有望开发出节能且能够进行高级处理的计算机”。
研究团队此次制作了模仿神经元机理的数学模型“脉冲神经网络（SNN）”。SNN根据尖峰信号的发生频率及时刻表现信号的强弱并处理信息，可以说是更接近大脑的方法。
研究团队制作的模型是结合特殊光振荡器和可以自由改写电路的半导体“FPGA”实现的。通过输入光振荡器的光的强度来控制尖峰信号的发生频率，还可以观测生物神经元的两种激活模式。NTT物性科学基础研究所的特别研究员稻垣卓弘表示：“制作出了比其他方式更接近生物体的模型。”
将SNN应用于机器学习领域，有望实现功耗低且擅长分析时间序列数据的AI。把目前机器学习中主要采用的深度学习算法替换成SNN的很多研究都提高了学习效率。
类脑信息处理系统的动向与前景 |
|
2014年 |
美国IBM开发出相当于100万个神经元的SNN |
2020年 |
美国英特尔利用半导体技术开发出相当于小鼠大脑的神经元数量的运算系统 |
2021年 |
NTT与东京大学结合光学技术和FPGA开发出SNN |
2025年前后 |
开始应用于边缘计算，采用SNN的神经回路网模拟也越来越多 |
2030年代 |
半导体式回路规模接近“人类水平”，应用大脑各部位的信息处理机制的算法取得发展 |
2040~2050年 |
明确与意识和创造性等有关的大脑功能 |
2050年 |
根据周围情况选择最佳信息处理方法的“察言观色型AI”——类脑计算机诞生 |
SNN：脉冲神经网络(Spiking neural network)
SNN在处理时间序列数据的领域也将大展身手。合原特别教授认为，“可用于预测太阳能和风力发电的发电量等”。通过用SNN分析天气等的时间序列数据，有望在短时间内实现足够准确的预测。
今后的重点是如何增加神经元的数量。此次制作的SNN的神经元数量最大为256个。NTT的稻垣提出了“在1～2年内增加到1万个”的目标。届时可以模拟听觉和嗅觉等大脑的部分认知功能。
之后的目标是增加到1亿个，这个数量相当于青蛙和小鼠的大脑神经元数量。不过，“以此次的硬件配置很难实现，需要从设计阶段开始改进”（稻垣）。
合原特别教授充满期待地表示，当硬件和软件技术都有望获得成熟的2050年，“将实现能根据周围的情况选择最佳方法来处理信息的高级AI”。也就是说，将诞生“可以察言观色的AI”，即“类脑”计算机。
还有望明确大脑机制
模仿生物体信息处理功能的“神经网络”研究已经进行了几十年。期间诞生了在图像识别方面取得成果的卷积神经网络（CNN）和用于语音识别等的循环神经网络（RNN）。
目前主流的AI技术之一深度学习就是利用了多层结构神经网络实现的。NTT还开发过利用光的量子状态从大量组合中计算最优解的技术“量子神经网络（QNN）”，以及采用该技术的高性能计算机。
SNN更如实地模仿了大脑的信息处理机制，适合处理时间序列数据。在海外，美国的IBM和英特尔已经试制出基于半导体技术的运算系统。半导体方式相对比较容易实现大规模化，英特尔2020年发布的运算系统的神经元数量“与小鼠的大脑相当”。
SNN可能还有助于了解大脑的机制。或许可以明确两种激活模式的功能和切换对信息处理的影响。
目前存在的课题在于耗电量。最关键的是当神经元的数量达到人类大脑的水平时，耗电量能否控制在人类大脑能耗水平的20W。
日文：岛津忠承、《日经产业新闻》，2021/06/11
中文：JST客观日本编辑部
