一、 問題溯源

　　人工智能理論是隨著數字計算機的出現應運而生的。人們對于計算機這種具有高速運算能力和大規模數據吞吐量的機器充滿了希望。在電子制造業高速發展的幾十年來，計算機的硬件水平倍數級攀升。在其間，人們發明了多媒體音頻處理，電子游戲，網絡通信，手機和各種電子終端。然而，人工智能的進展卻微乎其微，若將現今的智能設備與二十年前的機器對比，發現沒有多大長進。相比于硬件摩爾定律式的發展，人工智能領域的發展可以說是微乎其微。白白枉費了計算機工程師幾十年的辛勞。

　　“電腦”，“智能手機”實際上都只是指令執行器，生硬到不能產生隨機數。這些東西無腦亦無智。對智能詞語的濫用一方面表現了人們對人工智能的期待，另一方面也說明了對計算機的誤解，認為只要計算機足夠快，他就能擁有人一樣的智能。那么智能產生的前提是什么?我們怎么能夠保證智能在計算機上一定能夠實現?

　　而在另一個領域，近些年來隨著微電子制造業的迅猛發展，FPGA/CPLD等大規模集成數字邏輯芯片相繼出現，它可以將數以萬計的邏輯門電路以可編程的方式燒寫到單一芯片中。其最大的特點是大規模的對等邏輯。然而，這個特征并沒有得到充分的發揮，業界的應用方向無非是用它燒寫若干個軟CPU核，甚至外加DSP核，連同周邊的數字邏輯實現一個專用計算機，準確地將是嵌入式系統，在此CPU上運行μclinux或者WindowsCE操作系統，讓它像計算機一樣工作。然而，FPGA用作此用效率并不高，其應用方向的迷茫促使我們思考：FPGA的特點究竟能夠做什么?

　　二、 現有技術為什么不適于研究人工智能

　　現有的人工智能方式主要是利用數學公式將特征事物通過數學建模轉換為數學模型，比如神經網絡的模型，利用特定的運算手段求解，并通過計算機編程實現運算過程。這種方法可以收到一定的效果，但是由于模型過于簡單，運算量過大，使得智能幾乎不可能實現。

　　那么數學手段為什么很難推演智能呢?數學是一個獨立于自然界的一個自洽的運算體系，變量之間的約束關系構成了數學公式，然而這些公式中能夠被求解的大多是多數入變量，單輸出變量的公式，即使是利用矩陣的方法，最多也只能處理實數集合。但是，如果需要進行運算的是一個復雜的數據結構體，就顯得頗為繁瑣，比如人包括頭部和身體，頭部包括五官和大腦等，五官的任何一個還有其內部結構。這樣的數據格式，任何數學公式對它的演算都必將使繁瑣的。何況如果數據單元的各個數據之間還有許多牽連的話就更加無法表達了。然而，生活中映射到我們大腦中的很多事物都具有很復雜的特征，特征來源于不同方面(顏色，形狀)，特征之間含有復雜的層次關系，這些特征彼此聯系，這樣的特征集合作為數據輸入進行數學運算將是難以得出結論的。

　　其次是計算機的模擬問題，雖然計算機有很快的處理速度，我們的大腦在信號的傳遞速度上比計算機慢大概一百萬倍。有個很有趣的法則，叫做一百步法則，是說一秒鐘之內，你所做出的判斷實際上最多經歷了大腦中的一百個神經元的鏈條，它的傳播速度使得信號只可能走這么遠，但是我們一秒鐘之內完全可以辨認出熟人的面孔，如果將這個工作交給計算機，幾萬行指令都不能實現。其根本原因其一是大腦的處理結構是對等的，然而計算機是專有的，不同的區域由自己專門的任務。比如中央處理器，內存，顯示卡等，中央處理器內部的結構也是專有化的。其二是處理的非并行，典型的微機只有一個核心處理單元(ALU)，每一個時刻，只允許有一條指令通過，無論其運轉頻率有多高。如果想讓計算機處理并發事件，那么其唯一的辦法就是分時處理。即在不同的時間段處理不同的任務。現今的多核處理架構雖然可以進行少量的并行，但是其結構體系的功能專有化并沒有任何改變。

　　然而對于大腦，從硬件結構上講，是由大規模的對等結構組成，這個體系中的每一個處理單元的作用微乎其微，然而，正是這種規模化的協同并行處理使得其具有智能。

　　諸如上述，如果實現人工智能，就必須從大腦的結構出發，從大腦的基本處理方法出發，真正理解大腦的工作原理是開發人工智能機器的必由之路。

　　三、 大腦新皮層物理結構探究

　　<1>神經元

　　神經元由細胞體、樹突和軸突組成，樹突用于接收信號，軸突用于發送信號。

　　<2>一小撮神經元——自匹配記憶體

　　“自匹配記憶”理論證明了神經元之間的精確連接能夠帶來記憶。

　　自匹配記憶由相互連接的簡單神經元構成，它們之間的連接方式不同，其中涉及大量的反饋，這種神經元在達到某個臨界點時可以自動激活，當一種模式施加在人工神經元之后，他們就會對這種模式形成記憶，這種記憶叫做自匹配記憶。

　　記憶是形成記憶——預測模型的基礎，本文將逐步闡釋記憶——預測模型是怎樣實現的。

　　如果幾個神經元都可以帶來記憶，那么大規模的相似結構帶來的是什么呢?

　　<3>大規模的神經元互連——大腦新皮層

　　大腦皮層有眾多神經元組成。其物理結構按照其細胞種類不同可分為六層，L1主要由平行延展的軸突組成，L2，L3層由錐體細胞的神經元構成，L4有一種星形細胞，L5層除含有正常的錐體細胞外，還含有巨大的金字塔形細胞，L6層也有些獨特的神經元。形成皮層的最大一類是金字塔形神經元，占細胞數量的4/5。除最上層有長達幾千米的軸突區幾乎沒有細胞外，其他五層中都有金字塔形神經元，它與自己最近的神經元相連，并伸出長長的軸突，向旁邊的大腦皮層延伸，甚至可到達較低的大腦結構——丘腦。一個標準的金字塔形神經元有幾千個突觸。他們的密度極大且個體極小，保守估算一下，一個普通金字塔形神經元有一千個突觸，大腦皮層就有大概30兆個突觸，這些突觸用來運行所有的推理和提供記憶。

　　更深一步的大腦功能的研究，提供了許多很重要的結論，我們主要關注蒙卡斯爾的單一皮層算法

　　<4>結構對等性與單一算法理論

　　“大腦皮層在外表和結構上驚人的相似，不論是主管視覺輸入的區域，主管觸覺的區域，控制肌肉的區域，布羅卡語言區域還是其他，實際上結構完全一樣。”同時，我們推測“既然這些區域是相同的，那么他們在實際中所發揮的作用也可能是相同的，而且大腦皮層完成各個功能所使用的方法也是相同的。”也就是說“大腦皮層各個功能區域都遵循著一個共同的算法”同時，實驗證實“進入大腦皮層的輸入信息是基本相同的”，無論來自什么感覺器官。所以，如果某個算法只能用于處理視覺，而不能處理聽覺的話，它就不應該是智能的算法，我們必須找出一種方法，使之對于任意的輸入都能做出合理的令人滿意的輸出，盡管它可能并不擅長計算和批量無損記憶。同時，我們也只需要研究這一種方法，就應該能夠對所有的輸入設備服務，也就能夠驅動所有的外圍設備，而不需要專門的驅動，這方面計算機幾乎不可能做的，計算機的每一個外設都需要特制的驅動，完成任何一個任務都需要特制的算法程序。同時，對于大腦結構的令人驚訝的對等性，于計算機而言，也是完全不同。

　　一百步法則證明，我們的大腦不可能有復雜的數學式的計算，同時又不會有專門的算法，那么這種普適的效率極高的通用算法是什么樣的算法，它究竟能在什么結構上實現?答案就是記憶——預測模型和基于邏輯層級結構的特征序列處理體系。

　　首先，我們先證實一下，FPGA能不能構建大規模的對等邏輯，這個邏輯是實現處理方式對等的基礎。

　　四、 FPGA的物理結構

　　早在1943年，神經生理學家Warren McCulloch和數學家Walter Pitts解釋了神經元是如何數字化工作的，他們認為：大腦神經元的工作原理和電路的邏輯門是一樣的。用精確的方式可以將神經元連接起來，以實現邏輯功能，可以把神經元想象成生物上的邏輯門，這樣，我們可以大膽想象，大腦是由“and”，“or”等邏輯門及其他類的邏輯節點構成的，和數字邏輯相似。大有可能大腦的神經元就是這樣工作的。

　　雖然由于當時的條件所限，他們的理論只能歸咎于一種設想。但他卻表明，神經網絡的邏輯電路化是可能的。現今，最適合的實驗平臺已經到來，那就是FPGA芯片。

　　FPGA學名叫現場可編程門陣列。它可以將數字電路通過代碼的方式進行描述，并通過器件綜合的方法將其自動轉化為可實現的硬件結構，通過燒寫程序將此結構固化到芯片上。一個芯片可以反復燒寫數千次。

　　下文以Altera公司的Stratix系列為例，一片Straix芯片可集成80000個LE(基本單元)，StraixII系列甚至可以達到180000個等效LE，每個LE包含一個四輸入查找表(可看作兩個兩輸入門)，一個可編程觸發器(用于時序電路)和一些輔助電路。同時具有數據存儲器和十二個全局時鐘。其內部結構為行列走線結構，行列線之間就是LAB塊，一個LAB塊包含10個LE。

　　LAB

　　LAB

　　局部互連線

　　局部互連線

　　局部互連線

　　M512

　　RAM

　　塊

　　LAB

　　LE

　　LE

　　LE

　　LE

　　...

　　共10個

　　LAB內部結構

　　LAB與行列線結構圖

　　可以概括的說，大腦皮層的物理結構是由神經元構成了垂直柱，作為基本計算單位。垂直柱的并行工作機制實現了記憶——預測模型和特征序列檢索。

　　而FPGA是由LE作為基礎單元。基礎單元之間可以進行并行處理和時序邏輯。

　　值得注意的是，我們并不需要在意FPGA中的物理結構與大腦新皮層的相似性有多高，因為現今的器件描述語言(如VHDL和Verilog HDL)和器件綜合工具(如Altera公司的QuartusII軟件)能夠將邏輯結構自動轉化為物理結構。我們只需要保證邏輯結構的相似就可以了。在此，只是為了說明，我們可以充分利用其物理結構的優勢將所需的邏輯上的智能結構高效的轉化為物理結構。

　　總之，FPGA是人類有史以來制造出的最接近人腦的器件的一種。無論是計算機，還是機械設備都無法與之匹敵，它是實現人工智能的最理想的硬件環境。

　　五、 記憶——預測模型

　　<1>輸入到大腦中的信息形式

　　前文已述，進入到你大腦皮層的輸入信息形式是基本相同的。無論是視覺還是聽覺，都通過成千上萬根神經纖維將信號傳入大腦。你可以將這些輸入看成一束電線，他們承載的神經信號被稱為“動作電位”或“電脈沖”，雖然這些信號來自不同的感覺器官，一旦轉化為有大腦控制的動作電位，他們就變成了完全相同的形式，由于它代表著輸入的信號的特征，我們稱這些信號叫做特征信息。

　　這些特征信息不是靜態的，它是一個時變信息，因此我們稱這種隨時間不斷改變的特征信息為特征序列。比如，在通常情況下，你的眼睛每秒鐘會快速移動三次，它們注視一個點，然后很快又會突然跳到另一個點。也就是說，輸入到大腦中的特征信息會隨著每一次眼的掃視而徹底改變。何況在實際生活中，你會不停的轉動頭和身體，雖然你接受到的是一系列毫不重復的圖像，但你感到的卻是一個穩定的可觀世界，這種感覺是由大腦創造出來的。感覺信息是一系列的特征，像一條河流進大腦，與其說它是一幅畫，不如說它是一首歌。

　　<2>特征序列是大腦處理和記憶的對象

　　在識別周圍環境的時候，大腦并不是識別事物本身，而是識別它的若干特征。大腦區分一個事物于其他事物，靠的也是特征。通常，大腦對靜態的特征組并不敏感，而對動態的特征序列很敏感。因為當它確定一事物的時候，會將記憶中的下一個序列狀態與實際相比較。比如某特征序列的電路化模型為001—>010—>100—>001,那么當處于010態時，他會對一組運動神經輸出脈沖，期待得到100，這種處理方式在下文將具體介紹。

　　大腦記憶的內容也是特征序列，我們用一系列垂直柱(計算的基本單元)的組合來表征某個特征，通過丘腦的作用(猜測是這樣)實現序列所需的延時。

　　一個與之相對的例子是現在流行的神經網絡模型。在這些模型中訓練和記憶的內容是一些權值和閾值。在這些模型中，特征序列都是準備好的，訓練的目的是匹配每個特征序列的權重，使得權重設置為一個最理想的向量組;同時，他們沒有采取序列的概念，將重點放在靜態元素上。這種做法與大腦的工作重點不相符。

　　大腦新皮層最初對于所有特征都沒有記憶，因此沒有任何判斷力，初生的嬰兒的行為能力來源于古腦等結構，這些結構可以對基本的刺激做出正確的反應，以便于維持生存需要，而對于復雜的與生存無關的特征，則沒有確定的行為。但是，這些特征序列作為新事物，在大腦中以編碼的形式形成記憶，即用特定的一系列垂直柱的興奮來代表特征，同時大腦皮層也會記住，在歷次面臨這種情況時，采取哪些輸出將使情況向好的方向發展，采取哪些輸出將使情況更糟。這樣，隨著我們的學習，記憶的內容豐富起來。我們對于各種輸入都有了識別和處理的經驗。

　　<3> 智能來源于記憶

　　大腦受到的特征序列來自不同種類的輸入，其本身沒有任何實際意義，那么大腦是怎么處理它的呢?

　　請你回想一下學騎車的經歷。最開始，當你第一次騎車時，你根本無法控制它，因為從肌肉的壓力感和身體的方向感這些特征模式序列我們沒有學習過，這時，只能由古腦和其他經驗支配平衡。逐漸你對騎車的相關特征模式變得越來越熟悉，稍有一點不平衡的感覺，大腦就能根據記憶找到解決辦法。做出相應輸出。因此可以說，大腦并沒有對這些輸入特征進行任何處理，而只是到記憶中去提取解決辦法，大腦本質是一個特征序列的記憶體。

　　<4>智能來源于可控的預測

　　如果新大腦皮層只有記憶提取機制，它遠遠不會工作的這樣好，因為神經元間信號傳輸的速度太慢，大腦無法實時的根據輸入作出反應。大腦實際采用的方法是預測執行。即利用記憶的模式序列控制輸出，而不是通過輸入來控制輸出，當反饋回的輸入特征信息與自身記憶匹配時，它會繼續以這種記憶序列輸出，當不匹配的時候，大腦會立刻意識到有錯誤發生，可能還需要停頓一下，重新找到正確的記憶序列后，按照新的記憶序列輸出。

　　如果不太明白上述的說明，請設想下面一個例子：

　　假如你每天都會從家中的臥室走到廚房，并且已經非常熟悉這樣做了，今天在通往廚房的門下多了一個門檻，如果你不是很小心的話，很可能會被絆一下。這就說明發送給運動神經的輸出是按照沒有門檻的情況發出的，而不是根據從腳上傳來的信號臨時決定出的。換句話說，我們的輸出信息是來源于預測的。

　　人類之所以智能，還有一個線索需要研究。那就是人類的新大腦皮層的六層結構中，第五層的大型金字塔神經元細胞與輸出的運動細胞之間有著非常密切的聯系。也就是說，我們的新大腦皮層根據預測的需要，可以直接控制運動器官，而不用通過小腦或者古腦。比如你看到了一個人的眼睛，猜測到了他是某個人，然后需要根據嘴的特征予以驗證，這時新大腦皮層可以直接控制眼球移動，得到所需的信息。相比而言，海豚也有很大的新大腦皮層，它也有很強的記憶力，能夠記住曾經到達過的海域。但是由于沒有直接控制運動神經的通路，所以它們的大腦只能稱作一個記憶體。而遠遠沒有產生智能。

　　現在，我們已知了要實現人工智能，就要實現記憶——預測，它約等于指出了我們要制造的智能機器到底應該完成什么樣的功能，下面我們就討論一下具體的實現方式。我們仍然從大腦的實現方式出發。

　　六、新大腦皮層的多層結構與特征序列處理機制

　　我們若用實驗的方法對視覺處理區域進行觀察，就會發現它的邏輯結構具有多層性，最基本的視覺區是V1區，它由許多彼此分離的小皮層區域組成。V1區把處理后的特征序列傳入V2區，V2區也由許多子區域組成，但數目較少，面積較大，它將特征序列傳至V4區，V4區也是如此，最后傳入IT區，這一區域是單一區域，對整個視覺界有鳥瞰作用。

　　同時，視覺區，聽覺區等不同方面的處理區域之間也有高層將他們綜合，使得各個感覺區之間是連通的。

　　值得指出的是，低級處理層有通向高級處理層的前向通路，而高級處理層有更多數量的反饋通路回饋到低級處理層，這些反饋的存在自有其意義，而計算機卻很難表達。

　　基于這種基礎結構，我們討論一下信息流,也就是特征序列是怎樣在這個體系中上下傳播的。

　　設想一下，你是怎么通過視覺信息分辨出向你走來的是你的一個老朋友?

　　你的一個較高的大腦皮層的發出指示，要識別一張臉，它的向下反饋通路會通知它下屬的物體識別皮層中所有關于朋友的臉的特征信號通道準入開啟，而識別為其他物品的信號通道準入通道關閉。期待下方的大腦皮層的反饋信號會滿足這種預測，即有臉特征的信號傳入通道。這時，進入你眼簾的是對這張臉不同部位點進行的掃描，掃描是光線轉化為神經沖動的過程。這些沖動表征的是一系列的特征，即特征序列，通過輸入神經進入你的大腦，請注意，進入大腦的視覺信號并不是物體的圖像，在大腦中，根本找不到這樣的圖像區域，我們只是看到了由圖像抽象出來的一系列特征，這些特征最初也許只是相鄰輸入神經元間表征的物體顏色的躍變。這些信息被V1區整合成一個相對抽象了一些的特征序列，比如一個很小的傾斜直線或者邊緣線，這些序列及從其他V1區的序列被送到較高級的V2區進行更高程度的整合，比如說發現這是一個眼睛的輪廓。然后送至V4區……就是這樣，從低層而來的信號在準入開關的篩選之下，逐步攀升到較高級的區域，此時這個皮層將尋找這些特征序列中的若干特征，向上級皮層匯報一個特征名，表明這是一張臉，上級的臉識別的信號準入通道收到了應有的信號，即預測是成功的。此時，它將做出進一步預測，根據下級傳來的預測外通道中最有區別能力的一些獨有特征，猜測他是張三，于是開啟關于記憶中張三特征序列的所有通道，只允許這個序列特征進入預測通道，并將這個特征名通知下面的皮層，這個特征名被下級皮層轉換成自身的一系列具體的特征準入通道開和關，并以相同的辦法通知下級，當傳播到運動控制層時，它的輸出控制運動神經(比如眼球的運動肌肉)對特定的欲觀察處進行觀察，V1區的細胞收到了新的信號，將特征上報，一層層回饋回去，符合的信號一直傳入上層，如果上級的預測得到了肯定，那么它將會用同樣的辦法進一步核實，這就是對一張臉的不同部位進行掃描的控制依據。如果猜測失誤，即沒有在開通的通道中收到期望的信號，那么上級會從預測外通道中獲取其他一些特征去匹配另外一個記憶，并根據此猜測開啟其他一些開關。并通知下級去支配運動器官，期待其反饋。這樣，確定的過程逐漸建立起來，當堅信它是某事物的時候，表征這一猜測特征的一系列神經元將一直處于興奮，用于代表這個事物的特征序列，我們稱這種現象叫恒定表征，我們有有理由承認，下屬層向上屬層匯報的特征名就是基于此層的恒定表征，恒定表征基于各層的特征組，發生在各級的處理皮層上。

　　設想如果是其他的一些情況，比如看到的物體不是臉，這時，起初的預測就會被否定，不會引起具體的猜測了，主管識別物體的那個皮層會嘗試打開其他的特征開關，試圖理解為其他的物體。如果怎么也找不到正確的預測，那么大腦就會完全陷于識別的思考之中，抑或頓悟，抑或放棄，研究表明，頓悟將引起上文所述的強烈的階流式預測。而放棄代表著我們不再關心他具體是何種物體，也許只是當作一幅抽象畫來欣賞。

　　如果將某個皮層作為一個電路模塊，那么它可繪制成類似于以下基本形態的結構：

　　本皮層區域

　　序列名

　　前饋通路

　　開關選通號

　　上級反饋

　　運動輸出*

　　下級前饋

　　向下反饋

　　*運動輸出可選

　　皮層區域模塊化圖示

　　如果皮層區域間的傳播方式基本確定了，那么皮層內部的結構應該是什么樣的?

　　下文將試析皮層內部的結構與處理方式

　　七、 垂直柱理論及其電路實現

　　除了從橫向上看，大腦皮層可分為六層之外，我們也發現了位于一特定柱形(斜柱形)細胞之間存在很強的信號傳遞關系，我們稱這個結構為垂直柱結構，支持單一皮層算法的蒙卡斯爾理論指出，垂直柱是皮層的基本計算單位，也就是記憶——預測模型的基本單位。它的結構可如圖所示

　　自下而上的特征信息傳遞過程

　　由下級皮層區輸入的信號先到達第四層——主要輸入層，順帶形成第六層的連接，然后向上投射到第二層和第三層的細胞，當一個垂直柱向上投射信息時，第二層和第三層中的許多細胞會向上級皮層區域的輸入層伸展軸突，將自己的興奮信號傳輸給上級皮層區。其中，第二層區域在輸入有信號且垂直柱選通時輸出，即預測內輸出。第三層區域在有輸入信號且未選通時輸出，即預測外輸出。這樣此層垂直柱報告給上級的是兩套數據——預測檢驗數據和預測外數據。

　　自上而下的特征信息傳遞過程

　　上級層的L6向此層的L1投射信息，L1中的軸突延展很長的區域，因此有激活下面許多垂直柱的潛能。L2，L3，L5的細胞都在L1層有樹突，即可以接受來自L1的信號，L2，L3在L5處形成突觸，從而人們認為它們能激活第五層和第六層細胞。

　　丘腦參與的延時鏈與肌肉控制

　　隨時間變化的特征形成了特征序列，那么大腦就要具有專門的延時環節處理序列。人們發現皮層運動區(M1區)中巨大的L5層細胞與肌肉和脊髓中的運動區有直接的聯系，這些細胞直接驅動肌肉，只要你在說話，打字，這些細胞就會高度協調的切換興奮狀態，使肌肉產生收縮。進來發現，L5層中的此種細胞在每一個區域都有分布，而不只局限于運動區。同時，值得注意的是，L5細胞的軸突一分為二，其中一支還伸向了丘腦，將信息投射到那類被認為是非特定的細胞上，這些細胞又將信息通過軸突投射回L1層。這樣做，很可能是起到延時的作用。

　　L1的信息中有一半來自上級層的L6的投射，這部分作為序列名稱，另一半是L5細胞延時 后的輸出，它表征序列的當前狀態。L1的輸出有對L2，L3層細胞的選通控制作用，上級把序列名傳遞給L1層，L1層將其展開成一系列選通開關，對于L2的作用是正選通，即選通興奮時，L2的興奮可順利上傳，而對于L3來講使反選通，只要選通興奮，它的信號就不能被上傳。而在選通不興奮的時候，可以順利上傳。這樣就使得L2，L3可以正確的輸出預測內和預測外兩組信號。

　　基于以上神經生物學上的依據，我們將一個垂直柱模型轉化成如下的電路模型。

　　L4層的星形細胞對應于與門，對下級皮層不同垂直柱的輸入作合并處理。與門輸出分兩路，分別通向L2的正選通三態門和L3的反選通三態門。(雖然嚴格的講，三態門在控制端禁止時成高阻態，而本文作“0”處理，但功能相似，故仍沿用此詞)三態門的控制信號由譯碼器輸出控制。譯碼器同時接受上級的反饋信號和序列的延時信號。譯碼器的另一條輸出通至L5層細胞，信號一分為二，一個方向通向延時器，另一個接通運動輸出。

　　基于以上的垂直柱模型，我們可以將一個皮層的整體情況如圖示：

　　每個“垂直柱”都對上級有輸出，這個輸出在上級的L4通過與門整合。

　　上級的輸出通過譯碼器展開，用于控制每一個三態門。

　　譯碼和延時可以合并起來并通過計數型序列信號發生器實現，也可通過VHDL描述。

　　單皮層若干垂直柱的整體圖形示于下頁。

　　這樣，一個酷似大腦結構的皮層模型就構建出來了，在此基礎上，我們將其封裝成模塊，再配合上文的層級結構，即可構建新大腦皮層的整體結構。

　　順帶提一下，用與門代替星形細胞具有一定風險，因為它幾乎沒有容錯性能，更為嚴格的方式是加權的部分與操作，只要到達一定域值就可輸出。這要看具體的運行情況來決定。

　　單垂直柱結構等效電路圖

　　單皮層等效電路總圖

　　八、 FPGA構建人工智能體系的優勢和劣勢

　　FPGA運行的是數字邏輯，它的運行速度可以比神經元的傳輸速度快幾十萬倍。同時，FPGA是邏輯可移植的，而大腦的記憶不可移植。我們可以造出起初就具有很高智商的機器，而不用重新訓練。再次，人腦的結構是進化而來，并不是最優化的，而且不可改動，而FPGA是人工的，其結構可以任意修改。最后是成本問題，一片FPGA的成本在幾十美元左右，完全可以利用于各種消費領域，走進千家萬戶。

　　FPGA的缺陷主要體現在以下幾方面：

　　邏輯智能一次性燒寫。即在運行之前就要將所有確定性邏輯燒寫到芯片中。然而，人腦卻能夠根據需要搭建新的神經突觸。這個差別使得我們對FPGA的學習能力有所質疑。不過最壞的打算是他對新事物沒有學習能力，但是可以通過燒寫到芯片上的舊有記憶工作。利用它進行語音識別，圖像處理等等都是可以的。補救的辦法也很多，比如可以通過其內建的RAM(數據存取器)將譯碼邏輯存儲到其中，進行動態的譯碼，只不過電路結構要進行一定修改。

　　其次是規模問題， 一個神經元所含的樹突數量可達幾千個，其軸突可延伸數千米之長，然而，一個數字電路們的輸入端一般只多幾十個，其布線也不可能向軸突的伸展那么容易。并且對于一個芯片，它的門電路總數相比大腦神經元來講還是過少，不在一個數量級上。一個是百億級，一個是十萬級。何況十萬中可能還要根據具體結構打折。不過人腦記憶了太多的信息，有太多的處理區域，而一個專用的芯片沒必要那么復雜。做視頻識別只需保留視覺處理就行了，這么看來，現在的規模是夠用的。令人樂觀的是，FPGA是一個通用電路，是一個實驗性平臺，一旦驗證模型有效，大批量的專有芯片將產生，他們會有更大的規模和更優化的結構。可以說，微電子技術已經準備好了，等待的是新大腦皮層模型和原理的確定。

　　再次，是神經元的數字化問題，有人指出神經元的信號是模擬量，是不能數字化成“0”，“1”對待的，必須承認，以這種方式轉換成數字信號，必將產生信息泄露，但是并不一定影響其工作。比如我們用一臺黑白的打印機打印一幅彩色照片，黑白打印機只會在特定區域打點和不打點，即使是灰度也是通過打點的疏密模擬的。那么我們打印出的照片能夠觀看嗎?可以的，雖然遠遠沒有彩色的好看，但是我們仍然可以分辨上邊的許多信息。也許將人腦數字化之后會產生相同的結果。

　　九、 基于FPGA的人工智能實現路線圖

　　<1> 實現可行性分析，即證明所有邏輯都可以通過數字電路實現.

　　<2> 實現垂直柱模型,可以對標準輸入做出正確反應.

　　<3> 實現多層結構,能做出對標準輸入的恒定表征.

　　<4> 實現自主學習與訓練,可以通過外界輸入更改譯碼邏輯

　　<5> 實現對于音頻的識別

　　<6> 實現簡單的輸出控制

　　<7> 實現對簡單視頻的識別

　　<8> 邏輯結構優化,使之精度提高

　　<9> 制作實用化產品樣機

　　<10>進行更多領域的更復雜的信號訓練,研究并改進其智能能力.

　　十、將來智能機器的想象

　　智能機器不必像人一樣,具備兩只眼睛和兩個耳朵,根據大腦皮層統一算法原理,我們可以利用先進任何的傳感設備作為輸入,因為他不需要做特定驅動,同時,他的輸出也不一定是身軀,而也許是某架無人飛機的操縱桿或者流水線上的機器手臂。

　　然而，他的核心處理結構應該和新大腦是類似的，比如有多層處理結構和記憶——預測能力。

　　他的硬件只是提供了智能的基礎，它的有價值的輸出是通過訓練得到的，要想讓他為我們服務，我們必須對它進行訓練。

　　機器沒有人一樣的成長經歷，因此，很可能沒有人一樣的情感，它的思維和行為方式可能于我們人類完全不同，但是我們需要智能機器，就像今日的家用電器一樣，在不久的將來，人工智能設備將遍布于世界的每個角落，走進千家萬戶，走進我們的生活。

　　請大家相信，如果按照正常的研究階段來推斷，我們離目標并不遙遠，也許只需等待幾年抑或十幾年，這個領域即將騰飛。如果有興趣，不妨投入到這個領域的建設中來，相信你將大有發展。讓我們大家拭目以待!