人类能否创造出具有自主意识的“超级大脑”？ 这个领域的哲学争论已经持续了数百年，现在讨论它已经没有什么意义了。 行动胜于雄辩，这个问题的最佳答案就是打造“超级大脑”。 六十年来，计算机性能按照摩尔定律不断提升，新型微纳电子器件突飞猛进。 越来越多的科技迹象表明，可以模仿人脑的结构和机制，创造出接近甚至超越人脑的“超级大脑”。 ，不仅技术上可行，而且其性能将远远超过人脑，很有可能出现自主意识。
认识“意识”
意识问题是人类最根本的问题之一。 自古以来众说纷坛，构成了人类思想史上最美的风景线。 回顾近一个世纪的诺贝尔生理学或医学奖成果，关于大脑和神经功能的研究非常丰富。 但总体来说，我们对大脑的认识还停留在“盲人摸象”阶段，大多数感知和认知功能仍然是“只看得见”。 只见树木、不见森林”、“知其然不知其所以然”，对“灵感”、“头脑风暴”、“冥想”等系统功能的认识还几乎是空白。
在利用自然科学方法解决意识问题的科学家中，弗朗西斯·克里克是最著名的一位。 1953年，他和詹姆斯·沃森共同发现了DNA的双螺旋结构。 1962年获得诺贝尔奖，1976年开始研究。关于意识问题，2003年《自然神经科学》发表文章提出，意识不是与生俱来的，而是由大脑中一小群神经元产生和控制的。大脑的“扣带回”。 迹象之一是这些神经元使用伽玛振荡（大约 40 Hz）的形式同步激发。 然而，问题不仅仅是“大脑的哪一部分产生意识”，也不仅仅是“意识在神经系统中以什么方式产生”，而是“意识是如何产生的？”
意识机制难以突破的根本原因在于，大脑是一个从神经元到网络系统高度非线性的复杂动态系统。 这类系统的一个重要特征是，不能通过将其“还原”为基本单位来完全解释，例如大气中的湍流和水流。 组成部分非常清晰，现象也很明显，但潜在的机制仍然难以准确描述。 因此，即使彻底了解了大脑的所有物质细节和能量属性，也只是理解意识道路上的第一步。 作为大脑复杂非线性系统的高级状态和表征，意识需要更多的知识。 只有通过认知神经科学的发现，甚至复杂非线性理论的突破，才有可能最终揭开谜团。
“复制大脑”
在意识机制最终得到科学解释之前，是否有可能创造出具有自我意识的人造大脑？ 答案是肯定的，创建这样的设备可能是回答这个问题最便捷的方式。
人脑是迄今为止已知的宇宙中最复杂的结构：它拥有约1000亿个神经元（计算机测量单位为100G，下同），每个神经元都经过数千甚至数万个突触和其他神经元连接，突触总数超过一百万亿（100T）。 尽管这些数字很大，但仍然有限。 如果大脑可以在分子水平上完全复制、提供能量并受到刺激，那么就没有理由断定这种生物学意义上的“复制大脑”不能产生意识。 如果在神经元和神经回路层面复制大脑，那么所有人工神经元和突触的功能特性都将接近生物大脑，所有突触连接和神经回路都将与大脑相同。 这样的电子意义上的“复制大脑”能够产生意识吗？ 应该说，成功的机会不小。
做出这样判断的根本原因是我们的大脑是在正常的物理和化学环境中生长和运行的。 没有证据表明分子水平以下的因素在大脑的长期进化和每个正常大脑的功能中起作用（辐射可能会导致大脑紊乱甚至停止功能，但这正在破坏意识而不是创造意识） ）。 在出生后的活体大脑中，尽管神经元的生死和突触的断开过程一直在发生，但对于大多数人来说，这对意识的发生和连续性没有影响。 因此，大脑是一个由神经元、突触等基本单元按照复杂的神经回路组成的复杂系统。 系统的精确复制意味着功能的复制。 大脑的智力和意识也会出现在复制系统上。
比物理复制更容易进行的是计算机模拟，即用软件在现代计算机上模拟大规模的神经元、突触和神经回路。 这样的“软件大脑”能产生意识吗？ 自 2007 年以来，IBM 研究中心一直在 Blue Gene 超级计算机上开发大脑皮层模拟软件。 2009年，在美国劳伦斯利弗莫尔国家实验室实现了具有8.61T突触的猫脑模拟。 这个“软件猫脑”展现了神经元自组织的现象。 在哺乳动物大脑皮层中经常观察到的阿尔法振荡（约10赫兹）和伽马振荡（约40赫兹）也存在于这个“软件大脑”中。 出现在. 当然，这些现象不能说是意识，但与传统计算机严格按照指令运行所得到的精确结果相比，却有很大不同：这些现象并不是人为预先设计的，而是由系统本身表现出来的。
同样是在2009年，瑞士洛桑联邦理工学院的亨利·马克拉姆教授在“蓝脑计划”的支持下，在蓝色基因超级计算机上用软件模拟了小鼠大脑，也出现了伽马振荡现象。 2009年12月，马克拉姆在接受采访时表示：“从技术上讲，利用计算机和数据采集技术，10年内建立人脑模型是可能的。” 记者进一步追问：“一旦人脑建立、模型建立，我们是否可以体验并重构人的心灵？” 他的回答是：“其实并没有那么复杂……由于我们在解码神经信息方面做得越来越好，我认为这不再是一个问题。” 虽然这种观点存在很多争议，但前景确实很诱人。 马克拉姆牵头的欧洲“人脑计划”作为欧盟投入巨资的两个旗舰项目，于2013年1月获得批准。
《图片测试》
长期以来，利用机械和电子设备来模拟和替代人类的某些智能一直是人类的重大梦想之一，而电子计算机就是这一梦想的最新载体。 如今，计算机在计算、逻辑、存储、信息检索和交换等方面的性能早已超越人类。 其理论基础是英国数学家阿兰·图灵于1936年提出的“图灵机”，用于研究“不可计算的数”。 概念。 “图灵机”是思想实验的“概念机器”，模拟人们用纸和笔进行数学运算的过程。 关键是要抓住数理逻辑和抽象符号处理的本质。 一台机器只能处理简单的0和1。二进制符号的机械装置可以模拟任何数学推理过程。 这就是现代计算机的起源。
图灵也因其1950年10月在《Mind》上发表的文章《计算机与智能》而被誉为“人工智能之父”。在这篇文章中，图灵提出了“机器能思考吗？”的问题。 并提出了测试机器智能水平的“图灵测试”：将计算机和人关在不同的房间，通过电传进行问答，如果提问者分不清哪一个是计算机，则认为计算机有通过了智力测试。
1956年夏天，约翰·麦卡锡、马文·明斯基、克劳德·香农、艾伦·纽厄尔和赫伯特·西蒙在美国达特茅斯会面。 讨论的主题是用机器模拟人类智能。 。 会议认为“学习的各个方面或智能的任何其他特征都应该被准确地描述，以便机器能够模拟它”，并首次提出了“人工智能”一词。 人工智能学科早期过于乐观。 它将人类智能视为一种符号处理过程，并利用形式逻辑来实现智能。 据估计，“二十年内，机器将能够完成人类能做的一切”。 但实际效果却大打折扣，招致广泛批评。 。
图灵在论文中表示，他相信机器将能够在二十世纪末通过“图灵测试”。 1997年，国际象棋冠军加里·卡斯帕罗夫第三次与超级计算机对决。 深蓝超级计算机竟然做出了一些只有真正高手才能做出的动作，并获得了最后的胜利。 2011年2月，IBM挑战美国著名电视问答节目《危险边缘》。 凭借以公司创始人 J. 命名的自然语言问答系统，击败了最高奖金获得者Brad ，保持了连胜纪录。 作者：肯·詹宁斯。 2014年6月，英国皇家学会举办“图灵测试”，纪念图灵逝世60周年。 名为“尤金·古斯特曼”的电脑软件通过了测试，让人类相信这是一个13岁的男孩。 可以说经典的“图灵测试”已经完成了。 然而，绝大多数人并不认同“深蓝”、“沃森”或“尤金·古斯特曼”是真正的智能：他们的“智能”来自于设计者控制的复杂规则和大规模语料库，并不能像人类那样，自发地产生创造性智能，这些系统没有自主意识。
《深度学习》
人类的智力和意识是由大脑神经网络产生的，因此创建人工神经网络来产生智力已成为更自然的选择。 人工神经网络的研究历史几乎与计算机科学的历史一样长。 1943年，神经生理学家沃伦·麦卡洛克和数理逻辑学家沃尔特·皮茨首次提出了神经元的数学模型。 1949年，加拿大生理心理学家 Hebb提出，神经网络的学习过程发生在神经元之间的突触处。 20世纪50年代末，Frank 设计并制作了“感知机”，首次将人工神经网络的研究从理论探讨转向工程实践。 1986年，David 、 和 提出了一种多层前馈神经网络的学习算法，从理论上证明只有一个隐含层的前馈算法网络可以一致逼近闭区间内的任意连续函数。 2006年，在《》杂志上发表论文，提出深度信念网络，掀起了神经网络“深度学习”的新浪潮。 其基本思想是让大规模多层神经网络自动发现隐藏在海量数据背后的隐式结构。
近年来，深度学习在图像识别、语音识别、大数据处理等方面取得了良好的实验效果。 2012年6月，《纽约时报》报道了“谷歌大脑”项目：使用16000台计算机构建了一个拥有10亿个神经连接的深度学习神经网络，并向这个网络输入了1000万张互联网视频图像。 通过人工引导训练，系统自动获得识别能力，可以高精度检测人脸、猫脸等物体。 2013年，《麻省理工科技评论》将深度学习列为“年度十大技术突破”第一名。 2014年初，百度宣布“百度大脑”计划。 9月，宣布将在六个月内建成连接规模100G的深度网络。 100G连接固然是深度学习发展的里程碑，但与人脑100T突触连接相比，仍然存在1000倍的差距。 从成本和功耗的角度来看，这一差距是通过简单地扩展现有硬件来实现的。 ，是一个难以弥合的巨大鸿沟。
深度学习是否模拟人脑的某些功能仍然是一个备受争议的问题。 在 2014 年初接受《连线》杂志采访时表示：“令我非常兴奋的是，我们找到了一种非常接近人脑工作模式的改进神经网络的方法。” 深度学习确实比传统人工智能更好。 更接近生物智能，但功能性大脑是一个尖峰神经网络，没有证据表明大脑采用了深度学习所使用的误差调整和传播算法。 作者认为，深度学习更有可能发生在大脑数亿年的进化过程中。 优胜劣汰的试错过程和深度学习的误差调整有一定的相似性。 结果就是现代大脑的功能柱层次结构。 正是由于这个原因，出生后的大脑已经具有代表复杂环境刺激中存在的隐含结构的能力。 因此，不需要像深度学习那样大规模训练就能从少量样本中快速获取知识。
神经形态芯片
硬神经网络在神经网络发展史上一直占据着重要的地位。 然而，由于电子设备的技术水平和成本限制，创建大规模硬件神经网络在技术上一直存在困难。 1945年，冯·诺依曼领导的设计团队试制成功了指令存储电子计算机，这是未来冯·诺依曼计算机体系结构的关键。 1948年，冯·诺依曼提出了由简单神经元组成的再生自动机网络结构，比较了人脑结构与存储程序计算机的根本区别。 然而1947年底晶体管的发明以及随后的集成电路推动了冯·诺依曼架构计算机的快速发展直至今天。 冯·诺依曼也成为了“计算机之父”，但他显然没有像后人那样推崇冯·诺依曼架构。 他无法忘记的是计算机与人脑的相似之处。 在他生命的最后几年里，他结合了早期逻辑研究和计算机相关工作的成果来解决更复杂的问题：如何使用不可靠的组件设计可靠的自动机并构建可以自己复制的自动机。 冯·诺依曼在这方面的研究反映在西勒曼的讲座中。 在他去世后，该书才以《计算机与人脑》为名单独出版。 这项未完成的工作提供了对人脑和计算机系统的深入分析。 而比较仍然闪烁着智慧的光芒。
IBM成立于1911年，长期以来一直是计算机行业的领导者。 不太为人所知的是，具有 512 个神经元的神经网络于 2006 年被开发出来。早先介绍过的 IBM 在 Blue Gene 超级计算机上模拟大脑的项目是由美国国防高级研究计划局 (DARPA) 资助的2008年，项目名称为“神经形态自适应可塑性可扩展电子系统”（简称“神经形态自适应可塑性可扩展电子系统”）。 “Touch）”，该项目计划到2016年总经费超过1亿美元。2014年8月，IBM在《》杂志上发表文章，宣布神经形态芯片研发成功。 在一块4.3平方厘米的芯片中，实现了100万个神经元和2.56亿个“突触”，而且能耗不到70毫瓦，单位面积能耗是普通处理器的万分之一。 该芯片根据类似于生物大脑的尖峰神经网络运行，斯坦福大学基于该芯片演示了实时行人和车辆目标检测和分类。 该成果近日被《科学》杂志评选为“2014年十大科学突破”之一。
IBM 并不是唯一一家生产神经形态芯片的公司。 国际上有很多知名公司、研究机构和大学在开展类似研究，包括英特尔、ARM、惠普、高通、三星、斯坦福大学、瑞士洛桑联邦理工学院、曼彻斯特大学、海德堡大学、加州大学等其中，英国嵌入式处理器厂商ARM与曼彻斯特大学、海德堡大学的合作研究已被纳入欧洲人脑计划并得到支持。 与美国计划相比，欧洲计划单位面积的功耗更高，但神经元模拟更接近生物神经元，因此据报道在模拟大脑方面也有更大希望。
忆阻器 与模拟神经元相比，制造人工大脑更大的挑战是用什么样的物理装置来模拟突触。 神经网络的突触部分并不是简单的“布线”，而是记忆和学习发生的地方。 人脑中突触的数量是神经元数量的数万倍，达到100T。 需要找到比晶体管更小的物理器件来实现人脑规模的物理模拟。
忆阻器似乎是为了模拟突触而设计的。 忆阻器是加州大学伯克利分校华裔科学家蔡绍堂于1971年提出的概念，是除了电阻、电容、电感之外应该存在的第四种基本器件。 它的电阻应该随着通过它的电流的方向和量而变化。 。 2008年，惠普实验室出人意料地发现，电极之间一侧去除了一些氧原子的一薄层二氧化钛表现出了忆阻器特性。 该成果多次出现在当年全球重大科技成果排名中。 忆阻器的物理特性使其能够有效地存储信息。 目前，几乎所有计算机存储芯片公司都在开发基于忆阻器的新型存储器件。 忆阻器也可用于处理信息。 2014年1月，蔡绍堂发表论文《大脑是由忆阻器制成的》。 中心思想是忆阻器的天然可塑性和记忆能力与神经突触的反应特性有关。 高度相似，换句话说，忆阻器，一种体积极小、功耗低、通电学习（可塑性）、断电记忆的基础元件，非常适合神经突触。 事实上，通过使用最传统的集成电路制造工艺将忆阻器堆叠成三维阵列，并将数量少得多的神经元排列成条状作为“边界”，就可以制造出大规模的神经网络系统。
2011年，惠普开发了一款集成大量忆阻器的并行处理多核处理器芯片。 与波士顿大学合作，基于该硬件开发了神经网络软件模拟平台，并进行了相对复杂的小鼠迷宫模拟实验。 2014年6月，惠普推出了全新的计算机架构“”，其核心是忆阻器存储和内部全光通信。 惠普表示，已将研发机构四分之三的人力物力投入到该项目中。 功率将是传统计算机的6倍，但能耗却只有1.25%，体积也只有10%左右。 该原型机将于 2016 年推出。
另一个基于忆阻器开发神经拟态芯片的知名机构是HRL实验室，该实验室也获得了该项目的资助，但HRL从一开始就使用忆阻器来模拟突触。 “我们的神经形态架构使用了一套丰富的可编程类人脑连接……来模拟人脑中发现的真实突触结构，”HRL 实验室 SyN‐APSE 项目主任说。
IBM 2014 年 8 月关于 True-North 芯片的论文也暗示了未来使用忆阻器的可能性。 在论文发表之前，IBM 宣布了一项 30 亿美元的研究计划，将纳米科学、神经科学和超级计算机结合起来，开发一个端到端的生态系统，其中包括一个新的非冯诺依曼系统。 结构、新的编程语言和众多应用程序，使计算系统能够模拟大脑的计算效率、规模和能耗，长期目标是构建一个具有 100 亿个神经元和 1000 亿个突触的突触系统，其体积小于两升，能耗为一千瓦。 事实上，这只是SyN-APSE项目在2008年设定的目标的重申：每平方厘米100万个神经元和100亿个突触（使用忆阻器），使用10000个神经形态芯片创建一个规模可比的电子大脑到人脑。 因此，IBM新闻稿中的“长期”，根据该项目，可以长至五年，也可以短至三年。
机器能超越人类吗？
机器能超越人类吗？ 许多哲学家不同意。 第一个反对“机器可以思考”的哲学家是路德维希·维特根斯坦，被誉为“20世纪最伟大的思想家”。 维特根斯坦和图灵一起在剑桥大学任教。 图灵教授数理逻辑，维特根斯坦教授数学哲学。 两人围绕“机器能思考吗？”展开了精彩辩论。 维特根斯坦的观点在人工智能史上有很多同行。 1979年，哲学教授休伯特·德雷福斯（ ）发表了《计算机不能做什么：人工智能的极限》，吸引了现象学哲学家海德格尔。 、胡塞尔、梅洛-庞蒂和维特根斯坦的著作中，都提出了反对强人工智能的论点。 其核心思想是，人类的很多行为不能简单地视为遵循一套规则。
图灵在《计算机与智能》一文中引用了数学家和物理学家道格拉斯·哈特里的话说：这并不意味着不可能建造出“能够自己思考”的电子设备，或者用生物学的术语来说，有可能为“能够自己思考”的电子设备奠定基础。通过建立条件反射来“学习”……但已经存在和正在建造的机器似乎还不具备这种品质。
图灵表示，他完全同意哈特里教授的观点，认为真正的智能机器必须具备学习的能力。 他以人类成长为参考模型，描述了制造具有学习能力的智能机器的方法。 要模拟成人的思维，需要考虑三个方面：（1）出生时的初始状态； （二）受过的教育； (3)所经历的经历。 图灵将创造儿童大脑的解决方案归因于进化，他相信进化可以比自然进化更快地完成。 在教育和训练过程中，可以通过奖励和惩罚的方式使机器获得正确的知识。 图灵认为，这个“学习过程”是机器超越“简单执行指令”的关键。 图灵还建议增加随机性以提高智力。 这些思想仍然是计算机科学中“机器学习”研究方向所采用的基本原则。
图灵在《计算机与智能》中也承认，他的讨论更像是“信仰的吟唱”，并没有给出“机器可以拥有智能”的明确论证。 但图灵并没有停留在“念叨”上，而是试图用数学生物学来构建智能机器，用“（化学）反应-扩散方程”来解释生物体为什么会发展出各种形态（比如人体骨骼形态、虎纹等） .），这个假说在本世纪初被实验证实，图灵也成为形态发生理论的创始人。
图灵去世后，现代计算机大步走上历史舞台，成为对人类社会影响最大的技术发明。 六十多年来，计算机性能按照摩尔定律呈指数级增长，不到两年时间就翻了一番。 这种像核裂变这样的量变，是否会引发从计算机到“计算机”的质变，成为人类关注的焦点。 近年来最引人注目的是雷蒙德·库兹韦尔的“奇点”理论。 他根据摩尔定律，推导出计算机超越人脑的“库兹韦尔曲线”，预测到2027年，一千美元可以购买一台超过一个人脑力的计算机。 到2050年，一千美元可以购买一台超过所有人类大脑的计算机。 当“奇点”到来时，机器将能够自我完善并超越人类，从而开启一个新时代。
对于这些预测，有粉丝也有批评者，但大多数人并不同意。 然而，如果我们看看上面的软件大脑、深度学习、忆阻器和神经形态芯片，我们就不能轻率地犯对“奇点理论”“狼来了”的错误。 技术继续以指数速度增长，因此“机器能否超越人类？”这个问题的答案很大程度上取决于技术。 根据多方预测，只需要十年左右就能看到结果。
相比之下，关于这个问题的哲学思考在过去的一个世纪里几乎没有变化。 哲学家、认知科学家丹尼尔·丹尼特在评论图灵与维特根斯坦的争论时曾说过：“图灵看起来很天真，但他把计算机留给了后代，但维特根斯坦呢？他让我们失望了，呃……维特根斯坦。”
“超级大脑”时代
我们生活的物质宇宙是一个物质和能量的世界，也是一个形式的世界。 物质是有限的，能量是守恒的，形式是不断变化的。 形式与物质和能量一样，是世界本体论的一个方面，也是信息的来源。 生物大脑、人脑、当前的计算机和未来的超级大脑都是处理信息的智能体。 从这个意义上说，人脑是智能进化史上的重要组成部分，“超级大脑”也是如此，但信息处理能力有所不同。 我们相信“超级大脑”时代即将到来，主要基于以下四个层面的技术原因：
（1）复制人脑：人脑作为自然生物进化的高级产物超级人类科技，本身并没有什么神秘之处。 如果它能在神经元、突触、神经回路和运行机制层面接近人脑，就没有绝对的理由拒绝这样的“模拟脑”，也能具备人脑的智能功能，甚至出现自主性。而且，这里的“近似”包括分子意义上的“逆向工程”到功能意义上的精确模拟，两者之间的“成功差距”可能相当大。
（2）机器学习：人脑所获得的经验和知识不仅来自于人类知识的书面传承，还来自于随时与环境的交互。 近年来深度学习取得的突破性进展，从一个角度证明“学习”并不是一个神秘的东西。 精确模拟人脑的“人造大脑”，还可以吸收人类已有的知识，还可以接受视觉、听觉等各类信息刺激，实现经验和能力的增长。 全球数以亿计的摄像头让机器能够清晰地观察地球上的风吹草动。 物联网让机器渗透到物理世界的每一个角落。 全球数据量在两年内翻了一番。 “模拟大脑”已经能够一天天成长。 从大数据中获取丰富的知识。
(3) : such as and by can be of times than , and the can be many of than . , human in There is no .
(4) : Human have a limit, but super can stay or even " life" and can to . Super can also high-speed (it can also be said that it is a "super super brain" as a whole) ") and a new of super that are more than .
The human brain is the model for a "super brain", but once the "super brain" , it will soon leave the human brain far . a local , has a three- array that . The of each unit is only one of that of , and the speed is one times than . Just speed, a who lives for 30,000 days can break of of . For the "super brain" using this kind of , the is just a piece of cake that can be "" in one hour. The of in it can a 's ! There are about 100 books in all by so far. A "super brain" can read them all in one year. How can any well- human being with them? What if there are a "super " in or the of a "super brain" is a times? The gray and white the human skull is more than by .
In 1972, Karl three world views, among which the world of (World 3) can be as the part of Plato's ideal world that can be by human . With , the "super brain" can to the of the world on the basis of human , and get to Plato's world of "the good" than .
In 1896, Tesla said: "I don't think any on the human soul can be than that of an an brain a ." It mind-. Many even worry that "super " will . The that "super " may not be as – as , but are the only way for to their and . Human can seize the of by "super brain" in time, human to more – , and let each ( ) "human soul" in super "" in the brain into a of that is more grand than human .
the 's of a "super brain" is too , and it is still it will usher in an angel or a devil, but is not the best . 64 years ago, to have been when " and ". His paper ended like this –
"Our is short and , and we can see that needs to be done."
模拟人脑
该项目称为“人脑模拟项目”，是 IBM 认知计算 (IBM ) 研究项目的一部分。 认知计算通过记忆模拟突触、通信模拟轴突、计算模拟神经元等一系列方法来模拟人脑。
近年来，越来越多的科幻电影探讨计算机是否会独立于人类思考，比如人工智能是否真的可以达到人类和机器相爱的地步，以及计算机是否有一天会取代人类并成为现实。主宰地球。 ETC。
对于人工智能的研究，2011年的人机大战让世界认识到了智能的水平。 此前，外媒报道称，按照目前的进展，IBM的认知计算计划将在2019年左右完全模拟人类计算机。IBM将使用约88万个CPU来完全模拟人脑。 届时，整个系统可能需要4PB的内存，浮点计算的性能可能会超过这个，处理问题的速度相当于人脑的速度。
IBM 模拟人脑
IBM 科学家 Mohar 表示，大脑具有惊人的能力，能够整合跨意识的多种含义的信息。 它可以毫不费力地创建时间、空间和物体的类别，并得出感官数据之间的相关性。 。 大脑可以执行各种无与伦比的技能，这是当今计算机无法企及的。
早在2008年11月，IBM就宣布将主导一个政府资助的联合项目，开发可以模拟人脑的电子电路。 该研究领域的一个主要部分是“认知计算技术”，它将涉及神经生物学家、计算机和材料科学家以及心理学家的合作。
IBM 认知计算 ( ) 研究项目
该项目与2008年的认知计算机技术均隶属于IBM认知计算（）研究项目。 认知计算项目通过记忆模拟突触，通过通信模拟轴突，通过计算模拟神经元。 人类的大脑。
项目介绍
在该项目中，IBM科学家使用了20.84亿个核心（突触核心）来模拟5300亿个神经元和137亿个突触。 该项目还利用了目前排名世界第二的IBM超级计算机。
核心
Cores（突触核心）是IBM专门设计的芯片，可以充分释放新计算架构的潜力，最终将取代目前用于模拟的超级计算机。
核心
与人类神经系统类似，每个突触核心都由神经元、突触和轴突组成。 然而，尽管如此命名超级人类科技，这些设备实际上并不是为了模仿生物大脑的结构而设计的。 它们旨在降低生产成本并提高性能。
2009年，模拟人脑的蓝色基因计划正式公布，并于2009年荣获美国国家科技创新奖章。当时，IBM使用Power系列处理器来模拟猫的大脑。 IBM研究人员构建了猫的大脑皮层模拟机制，其中包括10亿个脑细胞和10万亿个认知神经元突触。 这些神经元之间进行信息的传递和连接。 这种猫脑数字模型的运行速度目前仅为真实猫脑实际运行速度的1/100。
模拟猫脑
2011年10月，IBM透露其正在研究的新型仿生芯片可以模仿人脑的计算并实现学习和记忆，大大提高人工智能实现的效率。
人脑模型
John E. Kelly表示，通过这款仿生芯片，IBM的仿生计算机未来将能够模拟20亿个人脑神经元，初步完成认知计算。 这种仿生计算机将是计算技术未来的发展方向。 的一个重要方向。
IBM研究总监John E. Kelly在墨尔本大学接受采访时表示，IBM研发的新型仿生芯片可以模仿人脑的计算，实现学习和记忆。 同时，它可以进行类比并创造知识。 这种创新能力的设计将使计算机具备自主学习和创造的能力。
IBM人体仿生芯片
在这个项目中，IBM 的科学家及其合作者最初通过数据库构建了大脑系统。 它是一个包含猕猴大脑结构信息的数据库。 虽然不完整，但也足够全面了。
突触网络结构源自
经过四年的苦修，人脑模拟团队终于得到了一组可用的数据，并在此基础上构建了他们的人工大脑。 该系统的两个主要组成部分是神经细胞和突触。
大脑模拟
随着技术的发展和进步，模拟猫脑所需的CPU数量已从当时的1个减少到24,576个，目前一颗Power系列处理器可以模拟4.5%的人脑。 完全模拟人脑需要88万个CPU。 按照目前的研究进展，认知计算计划最早可以在17年内完成，即2019年将完全模拟人脑。
