神经形态计算：别再尬吹了，这颗芯片离“像人脑”还有多远？
上个月去参加了一个会，搞硬件的哥们儿兴奋得手舞足蹈，说他们实验室刚流片了一款神经形态芯片，能耗是传统GPU的千分之一。千分之一！我当时就惊了。但过后仔细一想——不对啊，这玩意儿我十年前就听说了，怎么突然又诈尸了？
没错，神经形态计算这概念，真的不算新。上世纪八十年代，Carver Mead就提出了，但一直不温不火。最近几年，尤其是ChatGPT这种大模型出来以后，算力焦虑蔓延，大家才又把它从故纸堆里翻出来。说实话，这像是一场集体幻觉：总觉得造一个更“生物”的芯片，就能解决人工智能的一切问题。
神经形态芯片与传统CPU架构对比图
有点抽象是吧？我自己第一次读论文也晕。但你想，这玩意儿的好处太明显了：省电。真的省。英特尔那个Loihi 2芯片，做某些嗅觉识别任务，功耗是传统方案的万分之几。还有苏黎世联邦理工学院搞的芯片，能实时处理事件相机的数据，识别手势，功耗才几十毫瓦。就这点，足够让做边缘计算的硬件狗们疯狂。不过，话说回来——疯狂归疯狂，落地难啊。
脉冲神经网络训练与反向传播对比示意图
大厂暗战，小厂迷茫
可即便如此，巨头们还是砸钱砸人。英特尔Loihi 2已经迭代到第二代，组成了云研究系统；IBM的TrueNorth曾经轰动一时，现在虽然声音小了，但还在国防项目里用；欧洲有BrainScaleS，走的是模拟混合信号路线，一个芯片能加速比生物快一万倍。国内也有团队在做，比如清华的天机芯，还上过Nature封面——那个封面论文特别有意思，说他们的芯片既能跑ANN又能跑SNN，不过后来好像没太大水花。这些进展时不时撩拨一下投资者的神经，然后就没有然后了。
最近还有个趋势，就是把神经形态和event-based传感器结合。比如Prophesee的仿视网膜传感器，每个像素独立响应亮度变化，直接输出事件流，配上神经形态计算，简直是天生一对。用在高速追踪、振动监测上，确实效果拔群。但问题又回来了：这种方案太垂直了，市场容量才多大？除非有一天，神经形态芯片能干点通用计算的事——但这违背了它的天性。
话说回来，我特别反感那种“神经形态计算将取代传统AI芯片”的论调。不可能。这就像说帆船会取代货轮一样。它们根本是不同赛道的工具。神经形态的优势在于极低功耗、实时响应和时序处理，但劣势同样致命：精度差、难编程、生态贫瘠。它更可能在某个细分角落，比如毫瓦级传感器中枢、植入式医疗设备、自主无人机避障这些地方成王。
冷静点，路还长
我们太容易被一个炫酷的概念带偏。神经形态计算，说实话，它目前的成熟度大概相当于2006年的深度学习——算法还在摸索，硬件刚刚能用，工具链一塌糊涂，找不到大规模商业应用。但话说回来，2006年谁又能料到深度学习十年后席卷全球呢？我对这技术抱有谨慎的乐观。只要别吹过头，踏踏实实解决几个工程问题：比如做出一个真正易用的编译器，搞出一套成熟的训练框架，再找到两三个能赚钱的场景……那未来可期。至于“模拟人脑”？别做梦了。连个老鼠脑子都模拟不出来。但做一只聪明的“电子蜜蜂”，可能刚刚好。
总之，神经形态计算是个迷人的领域，它逼迫我们重新思考计算的本质。每次我研究这些，都会觉得计算机科学才几十年，确实还是个婴儿。或许，我们真的需要放下对精确计算的执念，拥抱一点点生物的混沌。但在这之前，先让那些芯片能在真实世界里跑起来，别总待在实验室空调房里。
好了，啰嗦了这么多。最后提醒一句：下次再有人跟你吹神经形态计算，你就问他——“你写了几行SNN代码？”
它其实不是在“计算”
先泼盆冷水。神经形态计算，跟咱们平时用的电脑根本不是一回事。你电脑里的酷睿处理器，本质上是个超级快的算盘，指令一条条执行，数据在内存和CPU之间来回搬——这就是经典的冯·诺依曼架构。但大脑不这么干。大脑里没有单独的“内存”，也没有“CPU”，它是一坨黏糊糊的网络，神经元跟神经元连接，信号来的时候，噼里啪啦一通放电，信息就处理完了。更重要的是，大脑是事件驱动的。没信息进来？那基本不耗电。不像你的电脑，哪怕只是在桌面上发呆，风扇还在呼呼转。 神经形态芯片就是想模拟这套机制。它里面没有指令集，而是由大量“神经元”电路和“突触”电路构成。信号呢，也不是0和1的精确数字，而是像生物神经元那样的脉冲——就叫脉冲神经网络（SNN）。每个神经元都有自己的膜电位，积累到阈值就“嘭”一下释放脉冲，有点像漏水的桶，水满了就倒掉。所以，你看，它压根就不“计算”2+3等于几——它是对时间编码的模拟系统。这一点经常被忽悠人的媒体模糊掉。神经形态芯片与传统CPU架构对比图
有点抽象是吧？我自己第一次读论文也晕。但你想，这玩意儿的好处太明显了：省电。真的省。英特尔那个Loihi 2芯片，做某些嗅觉识别任务，功耗是传统方案的万分之几。还有苏黎世联邦理工学院搞的芯片，能实时处理事件相机的数据，识别手势，功耗才几十毫瓦。就这点，足够让做边缘计算的硬件狗们疯狂。不过，话说回来——疯狂归疯狂，落地难啊。
为什么年年都是“元年”，却一直没火？
因为编程太他妈反人类了。真的，我试过在Loihi上跑一个简单的SNN，光是配置那套工具链就折腾了一整天。传统AI工程师习惯了TensorFlow那种搭积木的快乐，到了神经形态这儿，你得考虑脉冲时序、神经元参数、突触可塑性……完全另一套范式。英特尔虽然出了Lava框架，但生态跟CUDA比，简直是石器时代。而且，除了几个专用的传感任务，你很难找出一个应用场景，是SNN明显优于ANN（人工神经网络）的。说白了，这技术还没找到自己的“杀手级应用”。 另一个槽点是：算法不行。训练SNN比训练普通网络难得多。梯度下降这招在脉冲网络上走不通，因为脉冲信号是离散的，不可微。所以要么用替代梯度，要么用STDP这种生物启发的无监督规则——后者听起来很美，但实际上很难控制。这也是为什么，现在顶会论文里，SNN在ImageNet上的准确率还是差ANN一大截。当然，有人说我们不需要图像分类，但金主爸爸们只看跑分啊，对吧。脉冲神经网络训练与反向传播对比示意图
大厂暗战，小厂迷茫
大厂暗战，小厂迷茫
可即便如此，巨头们还是砸钱砸人。英特尔Loihi 2已经迭代到第二代，组成了云研究系统；IBM的TrueNorth曾经轰动一时，现在虽然声音小了，但还在国防项目里用；欧洲有BrainScaleS，走的是模拟混合信号路线，一个芯片能加速比生物快一万倍。国内也有团队在做，比如清华的天机芯，还上过Nature封面——那个封面论文特别有意思，说他们的芯片既能跑ANN又能跑SNN，不过后来好像没太大水花。这些进展时不时撩拨一下投资者的神经，然后就没有然后了。
最近还有个趋势，就是把神经形态和event-based传感器结合。比如Prophesee的仿视网膜传感器，每个像素独立响应亮度变化，直接输出事件流，配上神经形态计算，简直是天生一对。用在高速追踪、振动监测上，确实效果拔群。但问题又回来了：这种方案太垂直了，市场容量才多大？除非有一天，神经形态芯片能干点通用计算的事——但这违背了它的天性。
话说回来，我特别反感那种“神经形态计算将取代传统AI芯片”的论调。不可能。这就像说帆船会取代货轮一样。它们根本是不同赛道的工具。神经形态的优势在于极低功耗、实时响应和时序处理，但劣势同样致命：精度差、难编程、生态贫瘠。它更可能在某个细分角落，比如毫瓦级传感器中枢、植入式医疗设备、自主无人机避障这些地方成王。
冷静点，路还长
冷静点，路还长
我们太容易被一个炫酷的概念带偏。神经形态计算，说实话，它目前的成熟度大概相当于2006年的深度学习——算法还在摸索，硬件刚刚能用，工具链一塌糊涂，找不到大规模商业应用。但话说回来，2006年谁又能料到深度学习十年后席卷全球呢？我对这技术抱有谨慎的乐观。只要别吹过头，踏踏实实解决几个工程问题：比如做出一个真正易用的编译器，搞出一套成熟的训练框架，再找到两三个能赚钱的场景……那未来可期。至于“模拟人脑”？别做梦了。连个老鼠脑子都模拟不出来。但做一只聪明的“电子蜜蜂”，可能刚刚好。
总之，神经形态计算是个迷人的领域，它逼迫我们重新思考计算的本质。每次我研究这些，都会觉得计算机科学才几十年，确实还是个婴儿。或许，我们真的需要放下对精确计算的执念，拥抱一点点生物的混沌。但在这之前，先让那些芯片能在真实世界里跑起来，别总待在实验室空调房里。
好了，啰嗦了这么多。最后提醒一句：下次再有人跟你吹神经形态计算，你就问他——“你写了几行SNN代码？”