生物启发计算，简称生物启发计算，是一个研究领域，松散地汇集了与连接主义、社会行为和涌现相关的子领域。它通常与人工智能领域密切相关，因为它的许多目标都与机器学习有关。生物学、计算机科学和数学领域密切相关。简而言之，就是利用计算机模拟生活现象，同时通过研究生活来改进计算机的使用。受生物启发的计算是自然计算的一个主要子集。

研究领域

一些研究领域涵盖了受生物学启发的计算标准，以及它们的生物学对应：

遗传算法进化

生物降解预测生物降解

细胞自动机生物体

应急系统蚂蚁、白蚁、蜜蜂、黄蜂

神经网络大脑

人工生活生活

人工免疫系统免疫系统

渲染(计算机图形学)动物皮、鸟羽毛、软体动物壳和群落的图案和渲染

植物结构

通信网络和协议流行病学和疾病传播

膜计算机活细胞中的膜内分子过程

激发介质森林火灾、"波"、心脏状况、轴突等。

传感器网络感觉器官

基于学习认知、进化的分类系统

生物启发计算与传统人工智能(AI)的不同之处在于，它采用了一种更进化的学习方法，而不是传统人工智能所谓的“创造论”方法。在传统AI中，智能通常是基于以下内容进行设计的：程序员是创造者，他创造某些东西并赋予它智能。另一方面，受生物学启发的计算采用了一种更自下而上、更分散的方法；受生物学启发的技术通常包括指定一组简单规则的方法，遵守这些规则的一组简单生物体，以及迭代应用这些规则的方法。例如，训练一只虚拟昆虫在未知地形上寻找食物需要六个简单的规则。这种昆虫被训练成

右转到目标和障碍的左边；向左转到目标和障碍物的右侧；左转到达目标-左-障碍-右；右转进入目标-右-障碍-左，左转进入目标-自由左，右转，目标右转，无障碍。经过训练的脉冲神经网络控制的虚拟昆虫能够在任何未知地形训练后找到食物。经过几代规则的应用，通常会出现一些复杂的行为模式。复杂性在复杂性的基础上不断增加，直到最终结果变得非常复杂，而且往往与最初规则的意图完全相反。因此，在神经网络模型中，有必要通过实时采集“噪声”系数对体内网络进行精确建模，从而随着系统复杂性的增加，提高网络的统计推断和外推能力。

自然进化是这种方法的一个很好的类比——进化的规则(选择、重组/繁殖、突变和最近的转位)原则上是简单的规则，但在数百万年的时间里产生了非常复杂的生物体。在遗传算法中也使用了类似的技术。

[01:10 . 1010]脑启发计算是指主要基于大脑机制的计算模型和方法，而不是完全模仿大脑。其目标是使机器能够以受大脑启发的方式实现人类的各种认知能力和协调机制，最终达到或超过人类的智能水平。

[01:10 . 10]人工智能研究人员现在意识到从大脑的信息处理机制中学习的好处。脑科学和神经科学的进步也为人工智能学习大脑的信息处理机制提供了必要的基础。大脑和神经科学研究人员也试图将对大脑信息处理的理解应用到更广泛的科学领域。该学科的发展得益于信息技术和智能技术的进步，反过来，大脑和神经科学将激发下一代信息技术的变革。

从广义上讲，脑启发芯片是指参照人脑神经元结构和人脑认知模式设计的芯片。显然，“神经形态芯片”(neuromorphic chip)是一种脑启发芯片，指的是人类大脑神经元模型及其组织结构，侧重于芯片结构的设计，代表了脑启发芯片研究的一个重要方向。随着各国“大脑工程”的兴起和发展，出现了大量神经形态芯片的研究成果，受到了国际上的广泛关注，为学术界和业界所熟知。例如，欧盟支持SpiNNaker和BrainScaleS、斯坦福大学的Neurogrid、IBM的TrueNorth和高通的Zeroth。

TrueNorth是一款受大脑启发的芯片，IBM已经研发了近十年。自2008年以来，美国国防高级研究计划局(DARPA)一直在资助IBM开发用于智能处理的脉冲神经网络芯片。2011年，IBM首先通过模拟可以像大脑一样学习和处理信息的大脑结构，开发了两个认知硅原型。受大脑启发的芯片中的每个神经元都是高度并行的交叉连接。2014年，国际商业机器公司(IBM)发布了第二代大脑启发芯片“TrueNorth”，与第一代大脑启发芯片相比，TrueNorth芯片性能大幅提升，神经元数量从256个增加到100万个；可编程突触的数量从262144万个增加到2.56亿个；亚突触操作总功耗为70毫瓦，每平方厘米功耗为20毫瓦。与此同时，TrueNorth的细胞核只有第一代大脑芯片的1/15大小。IBM已经开发出一种神经计算机的原型，它使用了16个具有实时视频处理能力的TrueNorth芯片。TrueNorth芯片超高的指标和优异的性能在其发布之初就引起了学术界的巨大轰动。

2012年，中国科学院计算技术研究所与法国Inria公司合作开发了全球首款支持深度神经网络处理器架构的芯片“寒武纪”。该技术在计算机体系结构、ASPLOS和MICRO领域的最佳国际会议上获得了最佳成果，其设计方法和性能得到了国际认可。该芯片可作为脑芯片研究方向的杰出代表。

当前位置大脑机制认知模糊人类大脑是进化的产物。虽然其结构和信息处理机制在不断优化，但在进化过程中妥协是不可避免的。脑神经系统是一个多尺度结构。各个尺度上的信息处理机制还存在一些重要的问题，如神经元尺度上的精细连接结构和大脑尺度上的反馈机制等。因此，即使是对仅为人脑大小1/1000的神经元和突触的数量进行综合计算，在目前的科学研究水平上仍然难以研究。

在未来认知脑计算模型的研究中，需要基于多尺度脑神经系统的数据分析结果，对大脑信息处理系统进行建模，构建基于大脑的多尺度神经网络计算模型，在多尺度上模拟大脑的多模式。智能行为能力，如感知、自我学习、记忆和选择。机器学习算法不灵活，需要大规模手工标记的高质量样本数据。训练模型需要大量的计算开销。以大脑为灵感的人工智能仍然缺乏先进的认知能力和推理学习。

现有的大多数大脑启发芯片仍然基于冯诺依曼架构的研究，大多数芯片制造材料仍然使用传统的半导体材料。神经芯片只是借用了大脑中最基本的信息处理单元。最基本的计算机系统，如存储与计算融合、脉冲放电机制、神经元之间的连接机制等，以及不同尺度的信息处理单元之间的机制，还没有被整合到脑启发计算架构的研究中。一个重要的国际趋势是基于纳米等新材料的神经计算组件的发展，如脑忆阻器、记忆容器和感官传感器，以支持更复杂的脑启发计算架构的构建。基于脑启发芯片的脑启发计算机和大规模脑计算系统的发展也需要相应的软件环境来支持其广泛应用。

搜狗科学：baike.sogou.com/kexue/d10168.htm