数据通路带来的灾难

　　为了绕开物理连接的困境，很多神经拟态芯片采用了“互联网式”的方案：先给神经元编上“地址”，然后用路由器分发信息。这种方案虽然避免了纷繁交错的线路，但它的本质是用时间来换空间，如果不想搭出N2条物理通路，那么就得花N2倍的时间来处理路由。随着模拟神经元数量的增长，始终还是绕不过平方级增长的“维度灾难”。所以神经拟态芯片成败的关键往往不是能造出多少个神经元，而是怎么高效处理神经元之间的信息交互。IBM公司的SyNAPSE芯片集成了2亿5千6百万个突触连接，这个数量级的信息交互已经算是相当了不起的成绩。

　　造脑之路不仅受制于物理规律，而且在评价标准上也存在不少争议。世界各地的研究组在造脑课题上研究得很热闹：有的强攻仿真神经元和神经联结的数量，有的专注神经元突触的分子动力学建模，有的则侧重大脑的可塑性学习能力……然而，不客气地讲，不少“造脑”项目多少有点自己树靶子自己打的意思。即使这些努力全部宣告成功，可能研制出来的人工脑也只能在研究者自己划定的条条框框里做点演示而已，它们的功能依然具有很多局限性。

　　造脑目标的困惑

　　除了技术上的困难，制造“仿真脑”的目标也是一个值得思考的问题。除了纯粹用于研究以外，“仿真脑”还能为我们做点什么呢?

　　当今流行的电子设备和人脑在形态上没有半点相似，在计算原理上也基本不搭界，然而这些电子设备在相当一部分任务中却表现得相当出色。这些任务包括设备控制、大规模批量处理、长时间重复作业等等。无论是在自动化生产的车间里，或是运营上千台网络计算机的“服务器农场(serverfarm)”里，甚至在更加新潮的无人管理的大型仓库里，那些原来由“人脑+人肉”完成的任务现在都已经转交给了机电设备，它们的高效、精确和可靠已经达到了令人脑难以企及的高度。

　　这些机械化的任务无需创造力，而要求操作者务必精确、不能疲劳，它们简直天生就是给机器设计的。而相比之下，探索、学习和适应环境才是人脑真正有优势的领域。如果在“仿真脑”问世时，人们还是把传统的机械化任务交给它们，那么“仿真”恐怕也就失去了意义。

无人值守，基于蜂巢智能的现代化仓库(KivaSystems,LLC.)

　　学习创造：“人脑模式”也未必更好

　　然而，在学习和创造领域，模仿“人脑模式”也未必比现有的计算机技术更有优势。

　　随着“大数据”的概念席卷全球，在实验室里酝酿多年的机器学习技术终于走出实验室，走进实际应用。很多原本被认为是“人脑独霸”的工作，譬如人脸识别、国际象棋、音乐创作等等，现在也慢慢出现了被电脑代庖的苗头。而完成这些任务的电脑，也并没有采取人脑的信息处理模式。

　　为什么诸如探索、学习、创造这样本应由人脑固守的领地也会被攻破?这要追溯到人脑的一个底层缺陷——记忆能力不足。

　　大脑的基本组分是神经元细胞，这种细胞可以组成高效的信息网络，但它并不是很好的记忆元件。神经元细胞从功能上来说像是一个传声筒，你这头传话进去，它在另一头变个声音传话出来。这种类似“滤波器”的结构能够迅速完成一些信号变换，但是却不适用于长期储存信息。相比之下，电子元件或者磁性元件能够长期保持在“电位高”、“电位低”或者“磁极南”、“磁极北”的状态，信息一旦写入就很久不会遗忘。正因为如此，计算机天生就能做到“过目不忘”，而人脑则要付出很多精力来巩固记忆。

　　除此以外，电磁元件的状态只要通过简单的操作就能在几微秒内翻转变换，所以信息不但存得久，而且可以迅速进行更改。然而，在神经元细胞构成的大脑网络中，要想快速改变状态就不那么容易了。一种公认的方法是通过“神经可塑性”(neuroplasticity)来改变神经元的活性，但这种机制需要细胞的输入端和输出端发生成千上万次的脉冲耦合，当这些巧合发生之后才能够对神经突触的强度有所影响，耗时也从几分钟到几十年不等。所以从存入信息的速度上来说，计算机天生“一目十行”，而人若能如此估计早就上了“最强大脑”。

　　人体的运动神经信号传输质量其实远远比不上电子设备。人体中的神经脉冲信号常年经受着各种噪声和扰动的影响，如果插管侦听的话就会发现神经元脉冲的规则程度经常比“收听敌台”好不了多少。此外，神经信号的延迟也十分可观，神经脉冲的传播速度平均下来只有几十米/秒，就算完成一次最简单的脊髓反射也需要花费掉30毫秒之巨。而在这30毫秒之内，一个不算太高端的嵌入式控制器(假定1000Hz采样率)已经完成了30次微调控。