我們可以談論人工智慧掌握一些人類本領，比如開車或者玩撲克。但是，當需要讓海量、無序資訊變得有意義時，人類還無法打造一個哪怕是接近大腦的 AI。部分原因在於大腦未解之謎，以及已有半世紀曆史的計算機架構，制約了這一目標的實現。
如今，一種新的計算正規化為突破瓶頸帶來曙光。這種激進方案使用了一種同時儲存、處理資訊的硬體，與大腦神經元網路的差別不是很大。充分發揮這一新正規化的潛力，我們就能創造出可以實時分析資料流、識別模式，或許還能獨立自學的機器心智（mind）。
大資料時代，馮·諾依曼架構捉襟見肘
筆記本，智慧手機，平板電腦，只要你說上來的，幾乎都遵循著馮·諾依曼結構。70 多年前，他主張計算機處理器與儲存單元應該彼此獨立。聽起來不像是什麼偉大的提議，但這意味著每執行一個新程式，沒必要再重新連線計算機。這種勞動分工的設計很湊效，人類製造出更快的計算機，辦法就是串聯處理器與記憶體。
但是，這一架構也有短處。
處理器需要資料資訊，必須先從儲存單元讀取。這就要求電子在兩個元件之間穿梭，因此，處理器經常覺得很無聊，因為要等資料。你的筆記本為什麼會有「多核」，這就是其中一個原因；多個處理器單元——每一個都與記憶體連線——意味著，它們可以同時請求資料，從整體上加快計算。
如今，這一侷限性真的開始妨礙到人類進步。
資料比以往任何時候都要多，特別是「大資料」革命正在臨近。我們已經可以瞥見未來的樣子：預測心臟病，資料預測分析比傳統醫學方法更快、更準。英國諾丁漢大學研究人員設計了一種演算法，可以處理近 400,000 病人的電子病歷，多麼龐大的資料分析任務。隨著物聯網範圍延伸到我們身邊的日常事物，從交通燈到冰箱，機器會為我們提供更多的生活洞見。
應用得當，前景無限。然而，如此龐大的資料量已經讓計算機過熱。美國能源部的一份報告顯示，世界 5% 到 15% 的能源都被用於計算，許多浪費在了資料的傳輸中。這正是我們需要突破馮·諾依曼瓶頸的原因。
人們為此進行了許多嘗試。上世紀 80 年代，科學家開始考慮利用光子而不是電子來編譯資訊。因為光子在光纖中的傳播速度更快，所需傳播時間更少。其他人想要堅持使用電子，不過希望將電子編碼進量子力學特性（自旋）中，讓電子攜帶更多資訊。但是，到目前為止，這些辦法都沒有很大進展，主要原因在於實施起來很複雜，以至於投入產出不成比例。
總而言之，多年來，這個問題一直挑戰著人類智慧，之所以很諷刺，是因為大腦本身就是一臺超級計算機，但所需能耗與一隻 20 瓦的電燈泡差不多。它們不會存在類似馮·諾依曼結構的瓶頸，因為同一個神經網路既可以儲存資訊還可以處理資訊。
大腦三大關鍵特徵與傳統模擬方法的弊病
那麼，如何模擬人類神經網路呢？這也是麻煩所在。我們不可能完全知曉大腦如何工作，不過，至少要模擬大腦的三個關鍵特徵。
首先，大腦由大量的神經元以及神經元之間的突觸組成。其次，這些連線具有突觸彈性，也就是說它們可強可弱。學習，其實就是強化某組神經元之間連線。
第三個特徵，脈衝時間相關的突觸可塑性 (spike-time-dependent plasticity)。相對前兩個特徵，這個特徵沒有得到很好的理解。該特徵表明，如果兩個神經元幾乎同時放電，那麼，神經元就會被加強；如果放電不同步，就會變弱。經過這一漫長過程，協同工作的神經元的關係會得到加強，以傳遞資訊，不重要的聯絡會被削弱。這就是大腦獨立學習的重要手段。綠燈時，你會立刻反應到「可以走了」，因為經過多年訓練，相關神經元之間的聯絡得到了強化。
事實上，長期以來，我們一直在試圖模仿大腦計算方式。這個研究領域被稱之為神經形態計算，如今已取得一些進步。
最早突破之一，來自研究人員 Frank Rosenblatt。1958 年，他將研究成果 Mark 1 感知機公佈於眾。Rosenblatt 對著機器的攝像頭展示了圓圈或三角型卡片，讓機器進行識別，他來修正錯誤。50 次嘗試之內，機器已經學會輸入代表圓圈或者三角的訊號。
不過，當時的電子工程技術限制了感知機的發展。但是，情況已今非昔比。谷歌的 DeepMind 神經網路的成績令人驚呼，比如去年 AlphaGo 戰勝頂尖人類圍棋手。
TMark 1 感知機
然而，DeepMind 神經網路完全是軟體層面的模擬，在標準矽電子元件上執行。所以，儘管和神經元網路學習方式類似，但並未突破馮·諾依曼結構瓶頸。
2014 年問世的 IBM TrueNorth 晶片走的更遠。該晶片有 55 億個矽電晶體，按照人腦 100 萬個「神經元」的結構進行排列。有了這枚晶片，手機可以實時識別視訊物體，比如汽車還是自行車，但是所需電量很少，僅為手機睡眠模式所需量。聽起來很贊，但是，如果將規模擴充套件到大腦神經元級別，其能耗將是人腦能耗的 1 萬倍。「這個辦法實際上是一種浪費。」瑞士蘇黎世大學神經形態工程師 Giacomo Indiveri 說。
簡言之，儘管想方設法模仿大腦某些特徵，但是，我們從來未曾實現將這三大特徵集中在一個物理系統上。比如，
TrueNorth 晶片擁有許多高度連線的「神經元」，但是，如果不借助軟體，根本無法調節連線強度。
憶阻器，機器獨立學習的未來
失敗要歸結於這樣一個事實：傳統電子產品還沒能力真去模擬神經突觸。但現在，我們有辦法了，這要感謝半個世紀前的思想。
1971 年，加州大學伯克利分校的電子工程師 Leon Chua 正在看一道連線基本電路元件的方程式，這些元件包括電阻、電容和電感。他突然注意到，可以用另外一種方式安排這些術語，結果得到一個關於第四個元件的方程式，這第四個元件的抗阻性會根據電流情況發生變化。Chua 將之稱為「憶阻器」，因為它的阻抗性似乎展示出一種記憶能力。但當時並沒有以這種原理工作的材料或者裝置，人們幾乎忘記了這個發現。
約十年前，惠普公司的一個由 Stan Williams 帶領的團隊正在研究一種新型記憶體，與臺式電腦不同，在關掉電源後，新記憶體仍然保留資料。研究人員研究著使用了極薄鈦膜的裝置，他們發現其阻抗性會隨著經過電流而發生奇怪的變化。最終，他們意識到薄膜中活動的不僅僅是電子，也有原子，它們以微妙的方式反轉變化了材料結構及其抗阻性。易言之，這個團隊無意間創造出 Chua 憶阻器。
Williams 的研究有助於解釋以前為什麼從未發現過憶阻性；因為只能在微觀尺度上自證存在。如今，人們相繼發現一系列可充當憶阻器的物質，包括一些聚合物。
真實憶阻器的出現鼓舞了研究人員，原因有幾個，比如有可能開發出新的計算方式，其技術更成熟、所用語言也比現在的更有效。
但不久後，有人動真格了。
緊跟 Williams 的發現，密歇根大學的工程師 Wei Lu 邁出關鍵一步。他向人們展現了這一事實：憶阻器可充當具有彈性的突觸。他拿出了一個由幾層薄矽打造的裝置（其中一層帶有少量銀離子），它可以模擬上述大腦的第二個特徵。後來，Lu 展示憶阻器也可以模擬大腦的第三個特徵；應用電脈衝確切時點不同（exact timing of applied electrical spikes），憶阻器做成的突觸也會有強弱變化。
這項研究表明，「對於神經形態工程學來說，這真是激動人心的時刻，」Indiveri 說。「目前應該放棄矽電晶體，」荷蘭格羅寧根大學物理學家 Beatriz Noheda 說，聚焦研發成熟的、使用憶阻器的神經網路。
看起來，這只是擴充套件 Lu 研究成果的一個簡單案例。儘管他的研究只有一個單獨的突觸（帶有一個輸入和輸出神經元），但是，結果已經表明憶阻器可以實現三大重要大腦功能。接下來的研究會考慮搭建多層憶阻器神經元網路；每增加一層，網路就能進行更加複雜的「思考」。
沒那麼快，位於加州的 IBM Almaden 研究實驗室的 Geoffrey Burr 說。他說，Lu 所證實的脈衝時間依存的可塑性，只是在小規模上可行，但是，神經科學家並不確定在人腦大規模學習上表現如何。「在某種程度上，肯定會發生，」他說，「但是，我們還搞不清狀況。」也就是說，部署在大型人工神經網路，並不意味著可以帶來近似大腦的計算能力。
Burr 更喜歡堅持沒有脈衝時間依存的可塑性的網路。他使用的一個網路類似驅動 DeepMind 的神經網路，軟體控制著彈性突觸。但是，通過在憶阻器上執行這些網路（而不是電晶體），他能夠節省很多能源。
2014 年，Burr 搭建了一個這樣的網路，用了差不多 165000 個突觸。經過手寫書信資料集訓練後，該網路能夠準確識別這些手寫書信。Burr 的憶阻器由一種硫系玻璃（a chalcogenide glass）製成，這種材料能夠在原子有序或無序的兩相之間來回切換，改變材料導性。這種相變憶阻器正變得越來越可靠，晶片製造商們，比如英特爾開始出售使用憶阻器的記憶體裝置。
其他人認為，憶阻器可以幫助實現完全獨立學習的機器。
英國南安普頓大學奈米電子學研究人員 Themis Prodromakis 就是其中一員。去年，他搭建了一個神經網路，有四個輸入，兩個輸出神經元，用憶阻器突觸將它們連線起來。他可以輸入電子訊號，比如「1001」或「0110」，這與 20 世紀 50 年代向感知機展示圓圈或三角形類似。不過，感知機需要人類告訴機器有沒有猜對圖形形狀，但 Prodromakis 的網路完全自學，看到 1001 就傳送（fire off）一個輸出神經元，看到 0110 就傳送另外一個。即使是帶有噪音的訊號輸入，它也能正常執行。鑑於真實生活資料充滿噪音，這是一個非常重要的優勢。
最後，我們似乎正利用憶阻器重新創造大腦真實狀態（比如，當你望向窗外時）的精華部分：不存在瓶頸的獨立學習。
適當加以擴充套件，這類自我學習系統就能實時篩查資料，比如，監測自動駕駛汽車行為、橋樑完整性或者核電站，對龐大資料儲存中心（比如，為社交網路儲存資料的中心）的需求也會減少。由於需要冷卻，這些中心有時會建在北極附近。但是，如果憶阻器網路能夠實時解析資料，那麼，可能就不需要儲存資料。
由憶阻器製成的電腦還有一個潛在的優勢：因為執行原理類似大腦，因此，與人類連線或許會更容易些。現在已有一些使用矽晶片的裝置，它們可以獲取大腦運動進而將其轉交給現實世界的東西，比如，癱瘓人控制體外骨骼，或者在睡夢中控制電腦。
但是，挑戰依然不少。大腦神經元行為極為複雜，現有的神經介面很難處理所有那樣的資訊。「要電子元件處理如此豐富、高寬頻的資料，會讓它不堪重負。」Prodromakis 說道。憶阻器，是一個完美解決方案，因為它們只記錄表現脈衝顯著的訊號，忽略嘈雜的背景。這讓 Prodromakis 興奮不已，最近，他開始與 Galvani Bioelectronics 合作研發基於憶阻器的神經介面。Galvani Bioelectronics，一家去年成立的英國公司，源自 GlaxoSmithKline 和谷歌子公司一個 5.4 億英鎊合作專案。
困擾憶阻器網路的最大問題之一，是能否高效量產。執行良好的工廠可量產矽晶片，但也同樣適用於憶阻器嗎？
想找到答案，首先需要挑選最佳製造原料。Noheda 已在 Groningen 建立了一個研究中心從事這方面的研究。如果她和其他憶阻器先驅們獲得成功，那麼，未來計算機可能會由那些四十年來、我們一度認為不存在的材料打造而成。