我们可以谈论人工智能掌握一些人类本领，比如开车或者玩扑克。但是，当需要让海量、无序信息变得有意义时，人类还无法打造一个哪怕是接近大脑的 AI。部分原因在于大脑未解之谜，以及已有半世纪历史的计算机架构，制约了这一目标的实现。
如今，一种新的计算范式为突破瓶颈带来曙光。这种激进方案使用了一种同时存储、处理信息的硬件，与大脑神经元网络的差别不是很大。充分发挥这一新范式的潜力，我们就能创造出可以实时分析数据流、识别模式，或许还能独立自学的机器心智（mind）。
大数据时代，冯·诺依曼架构捉襟见肘
笔记本，智能手机，平板电脑，只要你说上来的，几乎都遵循着冯·诺依曼结构。70 多年前，他主张计算机处理器与存储单元应该彼此独立。听起来不像是什么伟大的提议，但这意味着每运行一个新程序，没必要再重新连接计算机。这种劳动分工的设计很凑效，人类制造出更快的计算机，办法就是串联处理器与内存。
但是，这一架构也有短处。
处理器需要数据信息，必须先从存储单元读取。这就要求电子在两个元件之间穿梭，因此，处理器经常觉得很无聊，因为要等数据。你的笔记本为什么会有「多核」，这就是其中一个原因；多个处理器单元——每一个都与内存连接——意味着，它们可以同时请求数据，从整体上加快计算。
如今，这一局限性真的开始妨碍到人类进步。
数据比以往任何时候都要多，特别是「大数据」革命正在临近。我们已经可以瞥见未来的样子：预测心脏病，数据预测分析比传统医学方法更快、更准。英国诺丁汉大学研究人员设计了一种算法，可以处理近 400,000 病人的电子病历，多么庞大的数据分析任务。随着物联网范围延伸到我们身边的日常事物，从交通灯到冰箱，机器会为我们提供更多的生活洞见。
应用得当，前景无限。然而，如此庞大的数据量已经让计算机过热。美国能源部的一份报告显示，世界 5% 到 15% 的能源都被用于计算，许多浪费在了数据的传输中。这正是我们需要突破冯·诺依曼瓶颈的原因。
人们为此进行了许多尝试。上世纪 80 年代，科学家开始考虑利用光子而不是电子来编译信息。因为光子在光纤中的传播速度更快，所需传播时间更少。其他人想要坚持使用电子，不过希望将电子编码进量子力学特性（自旋）中，让电子携带更多信息。但是，到目前为止，这些办法都没有很大进展，主要原因在于实施起来很复杂，以至于投入产出不成比例。
总而言之，多年来，这个问题一直挑战着人类智慧，之所以很讽刺，是因为大脑本身就是一台超级计算机，但所需能耗与一只 20 瓦的电灯泡差不多。它们不会存在类似冯·诺依曼结构的瓶颈，因为同一个神经网络既可以存储信息还可以处理信息。
大脑三大关键特征与传统模拟方法的弊病
那么，如何模拟人类神经网络呢？这也是麻烦所在。我们不可能完全知晓大脑如何工作，不过，至少要模拟大脑的三个关键特征。
首先，大脑由大量的神经元以及神经元之间的突触组成。其次，这些连接具有突触弹性，也就是说它们可强可弱。学习，其实就是强化某组神经元之间连接。
第三个特征，脉冲时间相关的突触可塑性 (spike-time-dependent plasticity)。相对前两个特征，这个特征没有得到很好的理解。该特征表明，如果两个神经元几乎同时放电，那么，神经元就会被加强；如果放电不同步，就会变弱。经过这一漫长过程，协同工作的神经元的关系会得到加强，以传递信息，不重要的联系会被削弱。这就是大脑独立学习的重要手段。绿灯时，你会立刻反应到「可以走了」，因为经过多年训练，相关神经元之间的联系得到了强化。
事实上，长期以来，我们一直在试图模仿大脑计算方式。这个研究领域被称之为神经形态计算，如今已取得一些进步。
最早突破之一，来自研究人员 Frank Rosenblatt。1958 年，他将研究成果 Mark 1 感知机公布于众。Rosenblatt 对着机器的摄像头展示了圆圈或三角型卡片，让机器进行识别，他来修正错误。50 次尝试之内，机器已经学会输入代表圆圈或者三角的信号。
不过，当时的电子工程技术限制了感知机的发展。但是，情况已今非昔比。谷歌的 DeepMind 神经网络的成绩令人惊呼，比如去年 AlphaGo 战胜顶尖人类围棋手。
TMark 1 感知机
然而，DeepMind 神经网络完全是软件层面的模拟，在标准硅电子元件上运行。所以，尽管和神经元网络学习方式类似，但并未突破冯·诺依曼结构瓶颈。
2014 年问世的 IBM TrueNorth 芯片走的更远。该芯片有 55 亿个硅晶体管，按照人脑 100 万个「神经元」的结构进行排列。有了这枚芯片，手机可以实时识别视频物体，比如汽车还是自行车，但是所需电量很少，仅为手机睡眠模式所需量。听起来很赞，但是，如果将规模扩展到大脑神经元级别，其能耗将是人脑能耗的 1 万倍。「这个办法实际上是一种浪费。」瑞士苏黎世大学神经形态工程师 Giacomo Indiveri 说。
简言之，尽管想方设法模仿大脑某些特征，但是，我们从来未曾实现将这三大特征集中在一个物理系统上。比如，
TrueNorth 芯片拥有许多高度连接的「神经元」，但是，如果不借助软件，根本无法调节连接强度。
忆阻器，机器独立学习的未来
失败要归结于这样一个事实：传统电子产品还没能力真去模拟神经突触。但现在，我们有办法了，这要感谢半个世纪前的思想。
1971 年，加州大学伯克利分校的电子工程师 Leon Chua 正在看一道连接基本电路元件的方程式，这些元件包括电阻、电容和电感。他突然注意到，可以用另外一种方式安排这些术语，结果得到一个关于第四个元件的方程式，这第四个元件的抗阻性会根据电流情况发生变化。Chua 将之称为「忆阻器」，因为它的阻抗性似乎展示出一种记忆能力。但当时并没有以这种原理工作的材料或者设备，人们几乎忘记了这个发现。
约十年前，惠普公司的一个由 Stan Williams 带领的团队正在研究一种新型内存，与台式电脑不同，在关掉电源后，新内存仍然保留数据。研究人员研究着使用了极薄钛膜的设备，他们发现其阻抗性会随着经过电流而发生奇怪的变化。最终，他们意识到薄膜中活动的不仅仅是电子，也有原子，它们以微妙的方式反转变化了材料结构及其抗阻性。易言之，这个团队无意间创造出 Chua 忆阻器。
Williams 的研究有助于解释以前为什么从未发现过忆阻性；因为只能在微观尺度上自证存在。如今，人们相继发现一系列可充当忆阻器的物质，包括一些聚合物。
真实忆阻器的出现鼓舞了研究人员，原因有几个，比如有可能开发出新的计算方式，其技术更成熟、所用语言也比现在的更有效。
但不久后，有人动真格了。
紧跟 Williams 的发现，密歇根大学的工程师 Wei Lu 迈出关键一步。他向人们展现了这一事实：忆阻器可充当具有弹性的突触。他拿出了一个由几层薄硅打造的设备（其中一层带有少量银离子），它可以模拟上述大脑的第二个特征。后来，Lu 展示忆阻器也可以模拟大脑的第三个特征；应用电脉冲确切时点不同（exact timing of applied electrical spikes），忆阻器做成的突触也会有强弱变化。
这项研究表明，「对于神经形态工程学来说，这真是激动人心的时刻，」Indiveri 说。「目前应该放弃硅晶体管，」荷兰格罗宁根大学物理学家 Beatriz Noheda 说，聚焦研发成熟的、使用忆阻器的神经网络。
看起来，这只是扩展 Lu 研究成果的一个简单案例。尽管他的研究只有一个单独的突触（带有一个输入和输出神经元），但是，结果已经表明忆阻器可以实现三大重要大脑功能。接下来的研究会考虑搭建多层忆阻器神经元网络；每增加一层，网络就能进行更加复杂的「思考」。
没那么快，位于加州的 IBM Almaden 研究实验室的 Geoffrey Burr 说。他说，Lu 所证实的脉冲时间依存的可塑性，只是在小规模上可行，但是，神经科学家并不确定在人脑大规模学习上表现如何。「在某种程度上，肯定会发生，」他说，「但是，我们还搞不清状况。」也就是说，部署在大型人工神经网络，并不意味着可以带来近似大脑的计算能力。
Burr 更喜欢坚持没有脉冲时间依存的可塑性的网络。他使用的一个网络类似驱动 DeepMind 的神经网络，软件控制着弹性突触。但是，通过在忆阻器上运行这些网络（而不是晶体管），他能够节省很多能源。
2014 年，Burr 搭建了一个这样的网络，用了差不多 165000 个突触。经过手写书信数据集训练后，该网络能够准确识别这些手写书信。Burr 的忆阻器由一种硫系玻璃（a chalcogenide glass）制成，这种材料能够在原子有序或无序的两相之间来回切换，改变材料导性。这种相变忆阻器正变得越来越可靠，芯片制造商们，比如英特尔开始出售使用忆阻器的内存设备。
其他人认为，忆阻器可以帮助实现完全独立学习的机器。
英国南安普顿大学纳米电子学研究人员 Themis Prodromakis 就是其中一员。去年，他搭建了一个神经网络，有四个输入，两个输出神经元，用忆阻器突触将它们连接起来。他可以输入电子信号，比如「1001」或「0110」，这与 20 世纪 50 年代向感知机展示圆圈或三角形类似。不过，感知机需要人类告诉机器有没有猜对图形形状，但 Prodromakis 的网络完全自学，看到 1001 就发送（fire off）一个输出神经元，看到 0110 就发送另外一个。即使是带有噪音的信号输入，它也能正常运行。鉴于真实生活数据充满噪音，这是一个非常重要的优势。
最后，我们似乎正利用忆阻器重新创造大脑真实状态（比如，当你望向窗外时）的精华部分：不存在瓶颈的独立学习。
适当加以扩展，这类自我学习系统就能实时筛查数据，比如，监测自动驾驶汽车行为、桥梁完整性或者核电站，对庞大数据存储中心（比如，为社交网络存储数据的中心）的需求也会减少。由于需要冷却，这些中心有时会建在北极附近。但是，如果忆阻器网络能够实时解析数据，那么，可能就不需要存储数据。
由忆阻器制成的电脑还有一个潜在的优势：因为运行原理类似大脑，因此，与人类连接或许会更容易些。现在已有一些使用硅芯片的设备，它们可以获取大脑运动进而将其转交给现实世界的东西，比如，瘫痪人控制体外骨骼，或者在睡梦中控制电脑。
但是，挑战依然不少。大脑神经元行为极为复杂，现有的神经接口很难处理所有那样的信息。「要电子元件处理如此丰富、高宽带的数据，会让它不堪重负。」Prodromakis 说道。忆阻器，是一个完美解决方案，因为它们只记录表现脉冲显著的信号，忽略嘈杂的背景。这让 Prodromakis 兴奋不已，最近，他开始与 Galvani Bioelectronics 合作研发基于忆阻器的神经接口。Galvani Bioelectronics，一家去年成立的英国公司，源自 GlaxoSmithKline 和谷歌子公司一个 5.4 亿英镑合作项目。
困扰忆阻器网络的最大问题之一，是能否高效量产。运行良好的工厂可量产硅芯片，但也同样适用于忆阻器吗？
想找到答案，首先需要挑选最佳制造原料。Noheda 已在 Groningen 建立了一个研究中心从事这方面的研究。如果她和其他忆阻器先驱们获得成功，那么，未来计算机可能会由那些四十年来、我们一度认为不存在的材料打造而成。
