一块GPU就可以模拟大脑吗？

仅用一块涡轮加速的显卡（turbocharged GPU），一支研究团队成功模拟了猴子的部分大脑——通常这种模拟需要一台强大和昂贵的超级计算机来完成，如今科学家们声称一台台式机就可以胜任。

该实验由萨塞克斯大学（University of Sussex）的研究者完成，他们在实验中模拟了数百万个神经元以及数十亿的神经连接，而这仅仅耗费了一台搭载了最新的图形处理器（GPU）的普通电脑。

尽管图形处理器早已被用来加快AI模型的运行速度，但将这种尺度的模型放到普通的游戏设备上进行模拟还是首次——你很有可能在大多数游戏玩家的卧室里就能找到同款机器。研究者们开发了一种新方法，有效地模拟了猕猴的视觉皮层，其中包含了数百万神经突触，而之前只能通过超级计算机来完成这种模拟。

- Coen Pohl -

这种类型的模拟大多数要借助超级计算机系统提供的巨量存储，但是这些科学家们开发了一种更加高效的技术——“过程化连接”（procedural connectivity），这一技术可以极大地减少模拟时需要存储的数据。这项研究被发表在《自然-计算机科学》上。

对大脑的模拟通常需要利用脉冲神经网络（spiking neural network），这是一种特殊的AI系统，其神经网络中的神经元通过一定顺序的脉冲相互交流，从而模拟大脑的活动。

为了准确预测神经网络中脉冲如何影响神经元，在模型运行之前，通常首先要生成并存储一些信息，用于记录哪些神经元之间由突触相连接，以及突触的强度。然而，由于神经元只是间歇性地发放，所以在存储空间里存放如此大量的数据是十分低效的。

而“过程化连接”则能够在不暂停运行程序的情况下，仅在需要时生成神经元的连接信息，并且不必在内存中存取。这样一来，计算机完全不需要消耗内存来存储神经元连接情况的数据。

詹姆斯·奈特（JamesKnight）与一同研究的托马斯·诺沃特尼（Thomas Nowotny）

—

The University of Sussex

“一般这些实验需要你提前生成神经元连接组的信息，然后保存在内存里，但是我们的方法试图避免这个过程”，詹姆斯·奈特（James Knight）是本研究的共同作者，他是萨塞克斯大学计算机科学系的研究员，“使用我们的方法，每次神经元发出一个脉冲，一个连接的详细信息就会重新生成。”他继续说道，“我们利用GPU的算力，可以在不打断程序运行的情况下重新计算连接，并且在每个脉冲释放时都能进行计算。”

有了GPU强大的算力支持，脉冲神经网络可以一边保持运行程序，一边在神经脉冲触发时生成连接组数据。

- Josh Patterson -

这种方法基于美国研究者尤金·伊基科维奇（Eugene Izhikevich）于2006年提出的研究，可介于当时的电脑速度太慢，这个想法未能广泛适用。然而现在的GPU相比15年前运算速度提高了2000倍，因此根据詹姆斯·奈特所说，它们可以完美符合脉冲神经网络的要求。

事实上，他们的结果不仅不逊色于超级计算机，甚至达到了更快的速度。这个模型模拟一秒钟的生物静息状态只花费了8.4分钟——相比先前超级计算机的模拟结果，如2018年的IBM Blue Gene/Q超级计算机，时间缩短了35%。

奈特解释道，这是因为IBM的机器是由1000个计算节点在一个房间内组成的网络，“不管这个系统有多精巧，在节点之间总存在延迟。因此你越扩展你的模型，它运算的速度越慢。我们的模型则可以比它们快好几个数量级。”

- Emily Singer-

在加快实验速度的目的之上，研究人员更希望这个新方法可以降低计算大型问题的硬件门槛，从而开启新的科学发现。尤其是在大脑模拟领域，模型的尺度很快会达到难以置信的多维度，并且会需要兆兆字节（terabytes，2的40次方比特）的数据量，但仅有少部分研究者能享受到超级计算机的资源。

奈特和他的研究团队的方法不仅可以让神经科学和AI研究者在自己本地的电脑工作站上模拟脑回路，也可以让学术界之外的人把他们的电脑用于运行大型神经网络。“一位《自然-计算机科学》的审稿人被安排用他们自己的电脑重复这项工作。”奈特说，“所以只要你有一台电脑和一个合适的GPU，你就可以自己检查这篇论文中重复这些实验的方法。”

当然，“过程化连接”是专门适用于模拟大脑的脉冲神经网络，但是奈特很确信，随着类脑机器学习（brain-inspired machine learning）的快速发展，更多AI应用将会出现。无论是绘制哺乳动物的脑活动图，还是开发更好的语音识别工具，脉冲神经网络都在得到越来越多科学家和类似的企业家的关注——现在有了合适的GPU，这些新一代的技术可以直接在人们的卧室里启动了。

作者：Daphne Leprince-Ringuet | 封面：muzli

译者：Benny Cui | 校对：Bulbasaur

编辑：Orange Soda | 排版：呦呦呦尤

原文