Domāšana silīcijā

Iedomājieties cilvēku, kurš kafejnīcā lasa šos vārdus klēpjdatorā. Iekārta, kas izgatavota no metāla, plastmasas un silīcija, patērē apmēram 50 vatus jaudas, tulkojot informācijas fragmentus — garu viens smiltis 0 s — punktu veidā uz ekrāna. Tikmēr šīs personas galvaskausā lipīgs olbaltumvielu, sāls un ūdens klucis izmanto daļu no šī spēka, lai ne tikai atpazītu šos rakstus kā burtus, vārdus un teikumus, bet arī lai atpazītu dziesmu, kas tiek atskaņota radio.

Šajā datora mikroshēmā, ko IBM izgatavoja 2011. gadā, ir komponenti, kas kalpo kā 256 neironi un 262 144 sinapses.

Datori ir neticami neefektīvi, lai veiktu daudzus uzdevumus, kas ir viegli pat visvienkāršākajiem smadzenēm, piemēram, attēlu atpazīšana un navigācija nepazīstamās vietās. Pētniecības laboratorijās vai plašos datu centros atrodamās iekārtas var veikt šādus uzdevumus, taču tās ir milzīgas un patērē enerģiju, un tām ir nepieciešama specializēta programmēšana. Google nesen publicēja virsrakstus ar programmatūru, kas var droši atpazīt kaķus un cilvēku sejas videoklipos, taču šim sasniegumam bija nepieciešami ne mazāk kā 16 000 jaudīgu procesoru.

Šis stāsts bija daļa no mūsu 2014. gada janvāra numura

• Skatiet pārējo izdevuma daļu
• Abonēt

Jauna veida datoru mikroshēmas, kas darbojas vairāk kā smadzenes, var sašaurināt plaisu starp mākslīgo un dabisko aprēķinu — starp shēmām, kas kraujas caur loģiskām operācijām pūšļojošā ātrumā, un mehānismu, ko evolūcija ir noslīpēta, lai apstrādātu un iedarbotos uz maņu ievadi no īstā pasaule. Neirozinātnes un mikroshēmu tehnoloģiju sasniegumi ir ļāvuši praktiski izveidot ierīces, kas vismaz nelielā mērogā apstrādā datus tā, kā to dara zīdītāju smadzenes. Šīs neiromorfās mikroshēmas var būt trūkstošais gabals daudzos daudzsološos, bet nepabeigtos mākslīgā intelekta projektos, piemēram, automašīnās, kas uzticami brauc visos apstākļos, un viedtālruņiem, kas darbojas kā kompetenti sarunu palīgi.

Mūsdienu datori ir mantoti no kalkulatoriem, kas ir piemēroti skaitļu kraukšanai, saka Dharmendra Modha, IBM Research vecākais pētnieks Almadenā, Kalifornijā. Smadzenes attīstījās reālajā pasaulē. Modha vada vienu no divām grupām, kas ir izveidojušas datoru mikroshēmas ar pamata arhitektūru, kas kopēta no zīdītāju smadzenēm saskaņā ar 100 miljonu dolāru projektu ar nosaukumu Sinapse , ko finansē Pentagona Aizsardzības progresīvo pētījumu projektu aģentūra.

Prototipi jau ir parādījuši agrīnas intelekta dzirksteles, ļoti efektīvi apstrādājot attēlus un iegūstot jaunas prasmes tādā veidā, kas atgādina bioloģisko mācīšanos. IBM ir izveidojis rīkus, kas ļauj programmatūras inženieriem programmēt šīs smadzeņu iedvesmotās mikroshēmas; otrs prototips HRL Laboratories Malibu, Kalifornijā, drīzumā tiks uzstādīts niecīgā robotizētā lidmašīnā, no kuras tas iemācīsies atpazīt apkārtni.

Smadzeņu iedvesmoto mikroshēmu evolūcija sākās 80. gadu sākumā, kad Kalifornijas Tehnoloģiju institūta profesors un viens no mūsdienu skaitļošanas priekštečiem bija Kārvers Mīds. Mīds bija izveidojis savu vārdu, palīdzot izstrādāt datoru mikroshēmu projektēšanas veidu, ko sauc par ļoti liela mēroga integrāciju jeb VLSI, kas ļāva ražotājiem izveidot daudz sarežģītākus mikroprocesorus. Tas izraisīja strauju skaitļošanas jaudas pieaugumu: šķita, ka datori kļūs par plaši izplatītiem, pat visuresošiem. Taču šķita, ka nozare tos labprāt veidoja, pamatojoties uz vienu projektu, kas datēts ar 1945. gadu. Fon Neimaņa arhitektūra, kas nosaukta Ungārijā dzimušā matemātiķa Džona fon Neimaņa vārdā, ir izstrādāta, lai izpildītu lineāras instrukciju secības. Visiem mūsdienu datoriem, no viedtālruņiem līdz superdatoriem, ir tikai divas galvenās sastāvdaļas: centrālais procesors jeb CPU, lai manipulētu ar datiem, un brīvpiekļuves atmiņas bloks jeb RAM, lai uzglabātu datus un instrukcijas, kā ar tiem manipulēt. . CPU sāk ar pirmās instrukcijas izgūšanu no atmiņas, kam seko tās izpildei nepieciešamie dati; pēc instrukcijas izpildes rezultāts tiek nosūtīts atpakaļ uz atmiņu un cikls atkārtojas. Pat daudzkodolu mikroshēmas, kas apstrādā datus paralēli, ir ierobežotas tikai ar dažiem vienlaicīgiem lineāriem procesiem.

Šī pieeja dabiski attīstījās no teorētiskās matemātikas un loģikas, kur problēmas tiek risinātas ar lineārām spriešanas ķēdēm. Tomēr tas nebija piemērots, lai apstrādātu un mācītos no liela datu apjoma, jo īpaši maņu ievades, piemēram, attēlu vai skaņas. Tam bija arī iebūvēti ierobežojumi: lai padarītu datorus jaudīgākus, nozare bija uzdevusi sev izveidot arvien sarežģītākas mikroshēmas, kas spēj veikt secīgas darbības ātrāk un ātrāk, taču tas lika inženieriem risināt galvenās efektivitātes un dzesēšanas problēmas, jo ātrāk. šķeldas rada vairāk atkritumu siltuma. Mīds, kuram tagad ir 79 gadi un emeritētais profesors, jau toreiz nojauta, ka var būt labāks veids. Jo vairāk es par to domāju, jo vairāk tas šķita neveikli, viņš saka, sēžot birojā, ko uztur Caltech. Viņš sāka sapņot par mikroshēmām, kas paralēli apstrādāja daudzas instrukcijas, iespējams, miljonus. Šāda mikroshēma varētu veikt jaunus uzdevumus, efektīvi apstrādājot lielu daudzumu nestrukturētas informācijas, piemēram, video vai skaņu. Tas varētu būt kompaktāks un efektīvāk izmantot jaudu, pat ja tas būtu vairāk specializēts noteikta veida uzdevumiem. Pierādījumus, ka tas bija iespējams, varēja atrast lidojot, skraidot un ejot visapkārt. Vienīgie piemēri, kas mums bija par masveidā paralēlām lietām, bija dzīvnieku smadzenēs, saka Mīds.

Smadzenes aprēķina paralēli, jo tajās esošās elektriski aktīvās šūnas, ko sauc par neironiem, darbojas vienlaicīgi un nepārtraukti. Sarežģītos tīklos ar pavedieniem līdzīgiem piedēkļiem neironi ietekmē viens otra elektriskos impulsus, izmantojot savienojumus, ko sauc par sinapsēm. Kad informācija plūst cauri smadzenēm, tās apstrādā datus kā smailes fusillade, kas izplatās caur tās neironiem un sinapsēm. Jūs atpazīstat vārdus šajā rindkopā, piemēram, pateicoties noteiktam elektriskās aktivitātes modelim jūsu smadzenēs, ko izraisa ievade no jūsu acīm. Būtiski, ka neironu aparatūra ir arī elastīga: jauna ievade var izraisīt sinapses pielāgošanos tā, lai daži neironi vairāk vai mazāk ietekmētu citus, un tas ir process, kas ir mācīšanās pamatā. Skaitļojot, tā ir ļoti paralēla sistēma, kas var sevi pārprogrammēt.

Ironiski, lai gan fon Neumans iedvesmoja tradicionālos dizainus, kas pastāv mūsdienās, viņš arī bija sajutis smadzeņu iedvesmotas skaitļošanas potenciālu. Nepabeigtajā grāmatā Dators un smadzenes , kas publicēts gadu pēc viņa nāves 1957. gadā, viņš brīnījās par smadzeņu lielumu, efektivitāti un jaudu salīdzinājumā ar datoriem. Viņš apgalvoja, ka dziļāka nervu sistēmas matemātiskā izpēte… var mainīt veidu, kā mēs skatāmies uz matemātiku un loģiku. Kad Mīds vairāk nekā divas desmitgades vēlāk nonāca pie tās pašas atziņas, viņš atklāja, ka neviens nebija mēģinājis izveidot datoru, ko iedvesmojušas smadzenes. Tolaik neviens nedomāja: 'Kā es varu tādu uzbūvēt?' saka Mīds. Mums nebija ne jausmas, kā tas darbojās.

Mīds beidzot uzbūvēja savas pirmās neiromorfās mikroshēmas, nokristīdamas savas smadzeņu iedvesmotās ierīces, 80. gadu vidū pēc sadarbības ar neirozinātniekiem, lai izpētītu, kā neironi apstrādā datus. Darbinot parastos tranzistorus ar neparasti zemu spriegumu, viņš varēja tos sakārtot atgriezeniskās saites tīklos, kas izskatījās ļoti atšķirīgi no neironu kolekcijām, bet darbojās līdzīgi. Viņš izmantoja šo triku, lai atdarinātu datu apstrādes shēmas tīklenē un gliemežnīcā, veidojot mikroshēmas, kas veica tādus trikus kā objektu malu un funkciju noteikšana audio signālā. Taču ar mikroshēmām bija grūti strādāt, un pūles ierobežoja mikroshēmu izgatavošanas tehnoloģija. Tā kā neiromorfā skaitļošana joprojām bija tikai zinātkāre, Mīds pārcēlās uz citiem projektiem. Ieiet iekšā bija grūtāk, nekā domāju, viņš atskārta. Mušas smadzenes neizskatās tik sarežģītas, taču tās dara lietas, ko mēs līdz šim nevaram paveikt. Tas jums kaut ko stāsta.

Neironi iekšā

IBM Almaden laboratorija, kas atrodas netālu no Sanhosē, atrodas netālu no Silīcija ielejas, bet atsevišķi no tās — iespējams, tā ir ideāla vieta, no kuras pārdomāt skaitļošanas nozares pamatus. Lai tur nokļūtu, ir jābrauc uz magnoliju klātu ielu pilsētas malā un jākāpj augšup divas jūdzes gar līkumiem. Laboratorija atrodas 2317 akru aizsargājamo pakalnu vidū. Iekšpusē pētnieki staigā garos, platos, klusos gaiteņos un pārdomā problēmas. Šeit Modha vada lielāko no divām komandām, kuras DARPA savervēja, lai izjauktu skaitļošanas nozares fon Neimana atkarību. Pamata pieeja ir līdzīga Mead's: veidojiet silīcija mikroshēmas ar elementiem, kas darbojas kā neironi. Bet viņam ir priekšrocības, ko sniedz sasniegumi neirozinātnēs un mikroshēmu izgatavošanā. Laiks ir viss; tas nebija gluži pareizi Kārveram, saka Modha, kuram ir ieradums aizvērt acis, lai pirms runāšanas domātu, elpotu un pārdomātu.

IBM ražo neiromorfas mikroshēmas, izmantojot 6000 tranzistoru kolekcijas, lai atdarinātu neirona elektrisko smailes darbību un pēc tam savienotu šos silīcija neironus. Modha stratēģija to apvienošanai, lai izveidotu smadzenēm līdzīgu sistēmu, ir iedvesmota no pētījumiem par smadzeņu garozu, grumbaino ārējo slāni. Lai gan dažādām garozas daļām ir dažādas funkcijas, piemēram, kontrolēt valodu vai kustību, tās visas veido tā sauktās mikrokolonnas, kas atkārtojas no 100 līdz 250 neironiem. Modha 2011. gadā atklāja savu mikrokolonnas versiju. Silīcija plankums, kas bija nedaudz lielāks par tapas galvu, saturēja 256 silīcija neironus un atmiņas bloku, kas nosaka līdz pat 262 000 sinaptisko savienojumu īpašības starp tiem. Pareizi programmējot šīs sinapses, var izveidot tīklu, kas apstrādā informāciju un reaģē uz to līdzīgi kā reālu smadzeņu neironi.

Šīs mikroshēmas iestatīšana, lai atrisinātu problēmu, ietver mikroshēmas simulācijas ieprogrammēšanu parastajā datorā un pēc tam konfigurācijas pārsūtīšanu uz reālo mikroshēmu. Vienā eksperimentā mikroshēma varēja atpazīt ar roku rakstītus ciparus no 0 līdz 9, pat paredzot, kuru numuru kāds sāk izsekot ar digitālo irbuli. Citā mikroshēmas tīkls tika ieprogrammēts, lai atskaņotu videospēles Pong versiju. Trešajā daļā tas lika nelielam bezpilota lidaparātam sekot dubultajai dzeltenajai līnijai uz ceļa, kas tuvojas IBM laboratorijai. Neviens no šiem varoņdarbiem nav pieejams parastajai programmatūrai, taču tie tika sasniegti, izmantojot daļu no koda, jaudas un aparatūras, kas parasti būtu nepieciešama.

Modha testē sarežģītākas mikroshēmas agrīnās versijas, kas izgatavotas no neirosinaptisko serdeņu režģa, kas veidots sava veida rudimentārā garozā — kopumā vairāk nekā miljons neironu. Pagājušajā vasarā IBM paziņoja arī par neiromorfisku programmēšanas arhitektūru, kuras pamatā ir modulāri koda bloki, ko sauc par koreletēm. Programmētāju nolūks ir apvienot un pielāgot koreletus no jau esošas izvēlnes, lai glābtu viņus no cīņas ar silīcija sinapsēm un neironiem. Jau ir izstrādāti vairāk nekā 150 koreleti, kas paredzēti dažādiem uzdevumiem, sākot no cilvēku atpazīšanas videoklipos līdz Bēthovena un Baha mūzikas atšķiršanai.

Mācību mašīnas

Citā Kalifornijas kalna nogāzē 300 jūdzes uz dienvidiem otras DARPA projekta daļas mērķis ir izveidot mikroshēmas, kas vēl vairāk atdarina smadzenes. HRL, no kuras paveras skats uz Malibu no Santamonikas kalnu pakājē, dibināja Hughes Aircraft, un tagad tā darbojas kā General Motors un Boeing kopuzņēmums. Ar koi dīķi, palmām un banānu augiem ieeja atgādina Holivudas zelta laikmeta viesnīcu. Tam ir arī plāksne, kas piemin pirmo darbojošos lāzeru, kas tika uzbūvēts 1960. gadā tolaik sauktajā Hughes Research Labs.

HRL izstrādātā mikroshēma mācās kā bioloģiskas smadzenes, stiprinot vai vājinot sinapsēm līdzīgus savienojumus.

Uz sola laboratorijā bez logiem Narjana Šrinivasas mikroshēma atrodas vadu mudžekļa centrā. Tā 576 mākslīgo neironu darbība datora ekrānā parādās kā smailes parāde, EEG silīcija smadzenēm. HRL mikroshēmā ir neironi un sinapses līdzīgi kā IBM. Bet, tāpat kā jūsu smadzeņu neironi, arī HRL mikroshēmā esošie neironi pielāgo savus sinaptiskos savienojumus, kad tiek pakļauti jauniem datiem. Citiem vārdiem sakot, mikroshēma mācās caur pieredzi.

HRL mikroshēma atdarina divas mācīšanās parādības smadzenēs. Viens no tiem ir tas, ka neironi kļūst vairāk vai mazāk jutīgi pret signāliem no cita neirona atkarībā no tā, cik bieži šie signāli pienāk. Otrs ir sarežģītāks: process, kas, domājams, atbalsta mācīšanos un atmiņu, kas pazīstams kā no smailes laika atkarīgā plastiskums. Tas liek neironiem kļūt reaģētākiem pret citiem neironiem, kuriem pagātnē ir bijusi tendence cieši saskaņot viņu pašu signalizācijas aktivitāti. Ja neironu grupas konstruktīvi strādā kopā, savienojumi starp tām nostiprinās, savukārt mazāk noderīgie savienojumi neaktivizējas.

Eksperimentu rezultāti ar simulētām mikroshēmas versijām ir iespaidīgi. Mikroshēma spēlēja virtuālu tenisa spēli, tāpat kā IBM mikroshēma. Taču atšķirībā no IBM mikroshēmas HRL nebija ieprogrammēts spēlēt spēli — tikai lai kustinātu savu lāpstiņu, sajustu bumbu un saņemtu atgriezenisko saiti, kas atalgoja par veiksmīgu sitienu vai sodīja par netrāpītu sitienu. 120 neironu sistēma sāka plīvot, bet apmēram piecu raundu laikā tā kļuva par prasmīgu spēlētāju. Jūs to neieprogrammējat, saka Šrinivasa. Jūs vienkārši sakāt: “Labs darbs”, “Slikts darbs”, un tas izdomā, kas tam būtu jādara. Ja tiek pievienotas papildu bumbiņas, lāpstiņas vai pretinieki, tīkls ātri pielāgojas izmaiņām.

Šī pieeja galu galā varētu ļaut inženieriem izveidot robotu, kas paklupa sava veida bērnībā, izdomājot, kā pārvietoties un orientēties. Jūs nevarat uztvert visu to lietu bagātību, kas notiek reālajā vidē, tāpēc jums vajadzētu likt sistēmai ar to rīkoties tieši, saka Srinivasa. Pēc tam identiskās mašīnās varētu iekļaut visu, ko sākotnējā mašīna ir iemācījusies. Taču varētu būt noderīgi arī atstāt robotiem iespēju mācīties pēc šī brīža. Tādā veidā viņi varētu pielāgoties, ja tie ir bojāti, vai pielāgot savu gaitu dažāda veida reljefam.

Pirmais īstais šīs neiromorfās skaitļošanas vīzijas pārbaudījums notiks nākamvasar, kad ir paredzēts, ka HRL mikroshēma izkļūs no laboratorijas stenda un lidos plaukstas lieluma lidmašīnā ar plīvojošiem spārniem, ko sauc par Snipe. Kad cilvēks attālināti vada kuģi, izmantojot vairākas telpas, mikroshēma uztvers datus no kuģa kameras un citiem sensoriem. Kādā brīdī mikroshēmai tiks dots signāls, kas nozīmē Pievērsiet uzmanību šeit. Nākamreiz, kad Snipe apmeklēs šo istabu, mikroshēmai jāieslēdz gaisma, lai norādītu, ka tas atceras. Šāda veida atpazīšanas veikšanai šādam mazam kuģim parasti būtu nepieciešams pārāk daudz elektriskās un skaitļošanas jaudas.

Citplanētiešu intelekts

Neskatoties uz Synapse mikroshēmu pieticīgajiem, bet nozīmīgajiem panākumiem, joprojām nav skaidrs, vai šo mikroshēmu palielināšana radīs mašīnas ar sarežģītākām smadzeņu spējām. Un daži kritiķi šaubās, vai inženieriem kādreiz būs iespējams pietiekami cieši kopēt bioloģiju, lai aptvertu šīs spējas.

IBM izmantoja šo liela attāluma neironu ceļu simulāciju makaka pērtiķiem, lai vadītu neiromorfo mikroshēmu dizainu.

Neirozinātnieks Henrijs Markrams, kurš atklāja no smaiļu laika atkarīgu plastiskumu, ir uzbrukis Modha darbam ar simulētu neironu tīkliem, sakot, ka viņu uzvedība ir pārāk vienkāršota. Viņš uzskata, ka, lai veiksmīgi atdarinātu smadzeņu spējas, ir jākopē sinapses līdz molekulārajai mērogā; Viņš atzīmē, ka neironu uzvedību ietekmē desmitiem jonu kanālu un tūkstošiem proteīnu mijiedarbība, un ir daudz veidu sinapses, kuras visas darbojas nelineāri vai haotiski. Pēc Markrama domām, lai iegūtu īstu smadzeņu spējas, zinātniekiem būtu jāiekļauj visas šīs funkcijas.

DARPA komandas iebilst, ka viņiem nav jāapgūst visa smadzeņu sarežģītība, lai paveiktu noderīgas lietas, un ka var sagaidīt, ka viņu mikroshēmu secīgās paaudzes tuvosies bioloģijas reprezentācijai. HRL cer uzlabot savas mikroshēmas, ļaujot silīcija neironiem regulēt savu aizdedzes ātrumu, kā to dara smadzenēs, un IBM savā jaunākajā neiromorfiskajā mikroshēmā savieno savienojumus starp kodoliem jaunā veidā, izmantojot ieskatus, kas iegūti, simulējot savienojumus starp dažādiem. makaka garozas reģioni.

Modha uzskata, ka šie savienojumi varētu būt svarīgi augstāka līmeņa smadzeņu darbībai. Tomēr pat pēc šādiem uzlabojumiem šīs mikroshēmas joprojām būs tālu no netīrās, sarežģītās smadzeņu realitātes. Šķiet maz ticams, ka mikroshēmas jebkad pielīdzinās smadzenēm, iekļaujot 10 miljardus sinaptisko savienojumu vienā kvadrātcentimetrā, lai gan HRL eksperimentē ar blīvāku atmiņas veidu, kura pamatā ir eksotiskas ierīces, kas pazīstamas kā memristors.

Tajā pašā laikā neiromorfie dizaini joprojām ir tālu no vairuma datoru, kas mums ir šodien. Varbūt labāk ir atpazīt šīs mikroshēmas kā kaut ko pilnīgi atšķirīgu — jaunu, svešu izlūkošanas veidu.

Tradicionālā pieeja ir pievienot lielākas skaitļošanas iespējas un spēcīgākus algoritmus, taču tas vairs netiek mērogots.

Tie var būt sveši, taču IBM pētniecības stratēģijas vadītājs Zaharijs Lemnios prognozē, ka mēs vēlēsimies ar tiem iepazīties pietiekami drīz. Viņš saka, ka daudzi lielie uzņēmumi jau izjūt vajadzību pēc jauna veida skaitļošanas inteliģences: tradicionālā pieeja ir pievienot vairāk skaitļošanas iespēju un spēcīgākus algoritmus, taču tas vienkārši nemēro, un mēs to redzam. Kā piemērus viņš min Apple Siri personīgo asistentu un Google pašbraucošās automašīnas. Šīs tehnoloģijas nav īpaši sarežģītas, kā tās izprot apkārtējo pasauli, saka Lemnioss; Google automašīnas navigācijai lielā mērā ir atkarīgas no iepriekš ielādētiem kartes datiem, savukārt Siri balss atpazīšanai un valodas apstrādei izmanto attālos mākoņserverus, radot ievērojamas aizkaves.

Mūsdienās mākslīgā intelekta programmatūras progresīvākā ir disciplīna, kas pazīstama kā dziļa mācīšanās, ko cita starpā izmanto Google un Facebook. Tas ietver programmatūras izmantošanu, lai modelētu ļoti vienkāršu neironu tīklus parastajā datora arhitektūrā (sk. 10 Breakthrough Technologies: Deep Learning , 2013. gada maijs/jūnijs). Taču šī pieeja, kas radīja Google kaķu noteikšanas programmatūru, balstās uz plašām datoru kopām, lai palaistu simulētos neironu tīklus un padotu tiem datus. Neiromorfām iekārtām vajadzētu ļaut šādas spējas iesaiņot kompaktās, efektīvās ierīcēs situācijās, kad ir nepraktiski izveidot savienojumu ar attālu datu centru. IBM jau runā ar klientiem, kuri interesējas par neiromorfo sistēmu izmantošanu. Drošības video apstrāde un finanšu krāpšanas prognozēšana ir līnijas priekšgalā, jo abiem ir nepieciešama sarežģīta apmācība un reāllaika modeļu atpazīšana.

Ikreiz, kad beidzot tiks izmantotas neiromorfās mikroshēmas, visticamāk, tas notiks sadarbībā ar fon Neimana mašīnām. Cipari joprojām būs jāsamazina, un pat sistēmās, kas saskaras ar tādām problēmām kā attēlu analīze, būs vieglāk un efektīvāk vadīt parasto datoru. Pēc tam neiromorfās mikroshēmas varētu izmantot noteiktiem uzdevumiem, tāpat kā smadzenes paļaujas uz dažādiem reģioniem, kas ir specializējušies dažādu darbu veikšanai.

Kā tas parasti ir bijis visā skaitļošanas vēsturē, pirmās šādas sistēmas, iespējams, tiks izvietotas ASV militārajā dienestā. Tas nav mistisks vai maģisks, Gill Pratt, kurš vada Synapse projektu DARPA, saka par neiromorfo skaitļošanu. Tā ir arhitektoniska atšķirība, kas rada atšķirīgu kompromisu starp enerģiju un veiktspēju. Prats saka, ka jo īpaši bezpilota lidaparāti varētu izmantot šo pieeju. Neiromorfās mikroshēmas varētu atpazīt orientierus vai mērķus bez apjomīgas datu pārsūtīšanas un jaudīgiem parastajiem datoriem, kas tagad nepieciešami attēlu apstrādei. Tā vietā, lai nosūtītu video ar puišiem, tajā būtu teikts: “Katrā no šīm pozīcijām ir kāds cilvēks — šķiet, ka viņi kandidē,” viņš saka.

Šo vīziju par jauna veida datora mikroshēmu noteikti atpazīs gan Mīds, gan fon Neumans.

paslēpties