新型芯片远远不够，神经形态计算面临落地瓶颈

试想，使用一台全球顶级、功耗巨大的超级计算机，去设计另一台能效高得多的计算机。这基本就是Katie Schuman的日常工作。依托美国能源部橡树岭国家实验室的Summit、Frontier超算系统，Schuman对神经形态架构开展仿真，研究这些尚未硬件落地的大规模架构会具备怎样的运行特性。其目标是利用当下的高性能计算（HPC）系统，研发一种底层架构完全不同的计算机，这类新计算机有望实现极低的能耗。

田纳西大学诺克斯维尔分校电子工程与计算机科学助理教授Catherine “Katie” Schuman表示，“用规模最大的计算机来验证‘计算未必只有这一种实现方式’，我觉得这件事很有意思。用这些功耗巨大的超大规模系统，去设计面向未来的超低功耗计算，这件事本身颇具讽刺意味，但又十分必要，我们必须这么做。”

抛开这种反差，仍有一个现实问题摆在仍在快速发展的神经形态计算领域：一种全新计算架构，要具备哪些条件，才能从技术构想落地为工程实践？Schuman正致力于寻找这个答案。

类脑启发的计算

Schuman对该问题的研究建立在扎实的基础认知之上：“我常说，神经形态计算本质就是仿大脑结构的计算。无论是系统架构，还是运行机制，我们都在从人脑获取设计灵感。”

对于研发下一代神经形态架构的工程师而言，这种设计思想正是系统的根基。“它具备大规模并行特性，计算与存储单元一体化部署，采用异步事件驱动机制，能够在各类应用场景下实现极低功耗运行。” 她介绍道。

Schuman明确表示，神经形态计算并不会取代当下的中央处理器、图形处理器。它是异构、面向特定负载架构体系中的新组件。传统处理器依靠全局时钟，在计算单元与内存之间来回搬运数据，一步步顺序执行指令；而神经形态计算将计算与存储紧密结合，大幅规避功耗高昂的冯・诺依曼瓶颈，大量计算单元可以同时工作，仅在收到对应信号时才会触发运算。

因此，尽管神经形态计算是 “仿大脑结构”，它的应用场景远不止脑科学仿真。Schuman指出，人工智能、图计算、优化求解、特定仿真任务，都可以很好适配神经形态硬件这套大规模并行、事件驱动的运行模型。

硬件可及性难题

值得注意的是，技术愿景已经跑在了硬件实物前面。Schuman已经从事神经形态研究15年，用她的话说，几乎整个职业生涯都在感受这种差距。很长一段时间内，神经形态系统数量稀少、获取门槛很高，大量研究只能依靠仿真完成。笔记本、本地集群无法完成大规模架构建模，因此Schuman的研究必须依托Summit、Frontier这类顶级HPC超算开展。她借助现有最强算力，去探索尚未大规模落地的硬件。

但这种仿真依赖存在明显上限，缩小这一差距也成为她研究使命的一部分。“想要仿真这类系统，预判它的形态，为其开发软件与算法，我们现有计算机的底层架构并不匹配。” 她称，“这就导致仿真耗时极长，即便是中等规模的神经形态系统，也需要HPC级别的算力才能摸清运行特性。我不可能每天都调用Frontier、Summit来推演未来计算系统的形态。”

问题不在于需要更多超算机时，Schuman认为这种现状已经形成 “依赖闭环”。行业真正需要的，是更便捷获取神经形态硬件本身的途径。“硬件厂商在等待杀手级应用出现，但没有实物硬件做原型验证，就很难开发出这类应用。只能依靠仿真推演系统形态，因为现有计算机底层架构完全不一样。” 她说道。

技术成熟度的差距，不只是芯片层面。仅有硬件，并不代表架构就可以工程化落地。即便硬件器件已经问世，配套软件栈依然十分薄弱。无论是编程抽象层、编译器，还是负载映射工具，缺少工程工具，整套系统就无法投入实际使用。

借鉴高性能计算，搭建共享平台

搭建这套配套软件栈，正是THOR（The Neuromorphic Commons，神经形态共享平台）项目的目标。Schuman介绍，THOR旨在打造一套共享使用模式，降低科研人员、学生使用大规模神经形态系统的门槛。该项目借鉴了高性能计算社区过往的经验，复用现有超算大规模实践的成果。

“我们希望打造一套和HPC超算中心类似的用户设施，让更多研究者可以使用神经形态系统。”Schuman表示，“到目前为止，高校独立实验室很难购置这类设备。即便是美国国家实验室体系，也只有少数能源部下属实验室配备了神经形态系统。”

共享系统可以汇聚使用者、统一工具链、形成标准化评估方法，久而久之就会催生完整的技术社区。“这也能推动社区协同开发大规模软件与算法，就像HPC领域围绕超算系统构建起完整生态一样。” 她说。

行业亟需系统方向人才

深度协作是神经形态计算取得成功的关键。正如Schuman所说：“没有人能够独自掌握完整计算栈的全部知识，独立完成一套神经形态系统的软硬件开发。”

Schuman表示，现实的结论就是需要更多工程师参与进来。该领域已经有硬件，硬件获取渠道也在改善，但缺少能够打通各技术层级、让硬件真正可用的工程人才，面向大规模场景时人才缺口尤其突出。

“编程语言、编程抽象层、编译器，这些方向存在巨大缺口。” 她表示，从事该方向的研究者不多，而电子、计算领域恰恰拥有大量该领域的专业人才。“我经常对HPC领域的同行说，我们需要你们的帮助。”

对于系统工程师而言，这些问题并不陌生。一套可用的计算平台，绝非只靠芯片就能实现。全新计算范式，离不开周全、严谨的技术取舍。

这正是Schuman持续推进的目标。神经形态计算需要能够横跨架构、内存、并行计算、编译器、应用、性能测量多维度思考问题的人才，而大量这类人才正聚集在超算与HPC社区。数十年以来，这些社区已经围绕同类问题沉淀成熟的技术体系与协作模式；下一步，需要行业领军人才投身神经形态领域，复刻过往计算领域的成功经验。

“HPC社区本身就在研究并行计算，而并行正是神经形态系统的原生特性。他们天然就具备使用这类新型计算平台的思维基础。”Schuman补充道，“我们希望他们能够看到我们的需求，期待展开合作。”