课，但对专业的认识还是和你们有很大差距。

我想问下，它的应用场景有哪些，你可以简单说一下吗？

另外就是在军事领域的话，它能做到什么。”

陈元光说：“HBM是可以进化的。

不同工种的技术难度不同，比如建筑工人、纺织业工人，这类简单机械重复，它是完全能胜任。

司机的含金量稍微高一点，现在来看它胜任的也不错。

对于电工、钳工这些精度要求更高的工种，它去胜任不仅仅需要算法的进化，还需要硬件层面的进化，像负责视觉的摄像头精度的提高，手指上力传感器的精度提高等等。

包括它的大脑算力的提高。

这会是一个整体性的提高。

对我来说，它短期内最大的用途就是月球上的建筑工人，负责构建月球基地。

中期来看，我们的空间站会以机器人为主，负责太空采矿设备的维修和空间站的维护。

军事上，我认为不划算，机器人造价高，执行任务的效率不高，鲁棒性更是严重不足，在我看来，远不如机械狗和无人机。

少数可以用来做抢险救援工作，但本质还是成本问题，从成本来说，它替代司机都太贵了。”

“鲁棒性是指？”

“不好意思，这是指在异常情况下系统生存的能力，可以理解成稳定性。

总之这类精密仪器在战场上稳定性都不好。”陈元光说。

“元光，我原本也是支持技术开源的，但我在听过之后，我会觉得这项技术潜力巨大。

我的想法出现了比较严重的动摇，我想在座很多同僚们想法应该和我类似。

希望你能够帮助我们大家厘清一下技术开源的好处。”

陈元光笑了笑：“本身这也是这次来这里最大的目的。

很多东西通过视频是说不清楚的，面谈是最好的方式。

我想先谈一下，过去围绕人工智能研究，都是尽可能把机器去模拟人。

计算机在很多方面都有优势，最典型的应该要属信号传输速度。

人类神经元的信号传输是一个电化学的过程，它的速度是100m/s，而硅基芯片中的电信号传输速度接近光速的70%，也就是两千万米每秒，拓扑半金属的电信号传输速度就更惊人了，能够接近光速的90%。

而人体神经元在信号传递过程中的误差概率是百分之一，硅基芯片的误差是四十二亿分之一，拓扑半金属芯片的误差还要更小。

芯片在信息处理的速度和精度上有非常明显的优势。

在前两年的时候英特尔有一个神经拟态项目叫Halapoint，用了11.5亿个数字神经元去模拟人类大脑。

哪怕用了这么多数字神经元，哪怕硅基芯片和人类神经元比起来有着天然优势，英特尔的Halapoint仍然只能处理计算类问题，在神经拟态计算上表现得并不好。

反而是哈佛大学差不多同期做的一个叫Brainoware的项目，在模拟人类大脑上表现的更好。

哈佛的项目是把人类脑细胞和硅基芯片给结合起来，构建了被他们命名为Brainoware的新硬件。

他们先用人类的多功能干细胞培育了大脑类器官，然后整个brainoware一部分用传统的计算机硬件，一部分用这个大脑类器官。

他们构建了一个三层的计算框架，分为输入层、水库层和输出层，其中在水库层用的是大脑类器官。

类器官通过输入层接收信号，该输入层将信号转换为电刺激的信号。大脑类器官充当了自适应数据库，将这些信号映射到输出层。在输出层中则记录了表示储层状态的神经活动，并对其进行解码以提供用于分类，识别和预测等应用的读数。

通过评估变化的脉冲时间和电压的刺激的响应，测试了Brainoware的物理储层特性，包括非线性动力学，空间信息处理和褪色记忆。然后将该系统应用于实际任务，例如语音识别和非线性混沌方程预测。

在语音识别任务中，Brainoware需要在说话者池中识别说话者的声音。总共使用了由八个不同的男性说话者发音的240个孤立的日语元音音频剪辑来训练系统。

最终他们在仅仅只花了传统硬件不到10%的训练时间下，实现了相同的结果。

好了，两个例子讲完了。

这两个例子说明了，现在国外的硬件存在着天然弊端，HBM模型在传统硅基芯片的适应效果是非常差的。

当然莪暂时也没有搞出可以大规模商用的大脑类器官来取代硅基芯片。

但我可以告诉各位的是，如果国外想用HBM模型，那么他们必须要买东大产的拓扑半金属芯片，相当于我们卡住了硬件端。