硅基迷宫里的新出口：类脑芯片研发的冷思考

去年秋天在南京浦口的一个小型学术沙龙上，听一个做流片的老教授拍桌子骂，说现在好多做概念的，把FPGA搭个神经元网络就敢叫类脑原型，骗经费骗流量，把真正做落地的路都带歪了。当时没太在意，今年看了好几份产业报告才回过味来——这话没错。

冯诺依曼墙不是玄学，是真卡脖子

现在的AI芯片不管是GPU还是专用ASIC，本质还是冯诺依曼架构，计算和存储物理分开。存储墙不是学术界造出来骗经费的词，是真真切切每个做端侧AI的人都要碰的南墙。 你拿旗舰手机跑离线大模型，十分钟掉电15%，不是电池容量做不大，是超过九成的功耗都耗在了存储单元和计算单元之间来回搬数据上，真正用在计算上的电还不到十分之一。 卡了快十年了。 摩尔定律放缓之后，这个问题被放大得无以复加，我们不能靠堆晶体管堆出指数级的性能提升了，只能往架构找新路。这个时候类脑方向才从实验室的边角料，变成了产学研都盯着的核心赛道，不是资本炒出来的风口，是被逼出来的出口。 生物脑的整体功耗才二十多瓦，就能处理比顶尖超级计算机还复杂的感知、认知、推理任务，核心逻辑就是神经元靠脉冲传递信息，存储和计算都在突触连接上完成，根本不需要专门搬数据。这个能效比，是传统架构想都不敢想的。 传统冯诺依曼架构存储墙原理示意图 不过话说回来，把生物脑的逻辑搬到硅基上，哪有那么容易。太多人只看到了“仿生”的噱头，没看到骨头里的难点。

仿生不是画皮，要仿到骨子里

现在不少公开的原型产品，其实只是把人工神经元做成了可复用IP核，本质还是传统的同步数字计算，所谓脉冲也是用时钟模拟出来的，根儿上就没摆脱冯诺依曼的框架，自然发挥不出类脑的优势。 说实话，我见过不少公开Demo，跑个简单的手写数字识别任务，功耗比同制程的传统AI芯片还高30%，这不是挂羊头卖狗肉吗？ 真正的类脑核心，是脉冲神经网络的异步事件驱动机制，只有让神经元只在收到有效脉冲的时候才工作，只有把存储和计算真正整合在突触单元里，才能把功耗降到传统芯片达不到的水平。 但就是最基础的脉冲编码，现在都没找到完美的解法。怎么把连续的视觉、听觉、神经电信号转换成低冗余的脉冲序列，现有的方法要么损失大量精度，要么编码过程本身就耗掉了大半功耗，进退两难。 脉冲神经网络类脑芯片神经元连接布局图 器件层面的坑更多。现在主流的技术路线分两条，各有各的限制：一条是用已经成熟的CMOS工艺做全数字类脑，好处是良率高，容易做大规模神经元阵列，问题是异步逻辑设计难度极高，大部分团队还是离不开全局时钟，事件驱动的优势根本发挥不出来；另一条是用新兴器件比如忆阻器做模拟类脑，忆阻器本身就能同时实现存储和计算，天然符合类脑的需求，问题是忆阻器的器件一致性太差，良率上不去，现在流片一片一百万神经元规模的忆阻器芯片，坏损率能到一成以上，就算加上冗余修复，精度掉得也没法满足商用需求。 还有第三条混合路线，数字加模拟各取所长，可设计复杂度直接翻了一倍，流片成本也涨得吓人，中小团队根本玩不起。

看得见的前景，踩得到的坑

看得见的前景，踩得到的坑 现在圈子里最歪的风气，就是一开口就是颠覆现有计算体系，就要替代GPU替代CPU，仿佛明天就能把传统芯片都扫进垃圾堆。这都是吹给资本听的鬼话。 至少未来十年，类脑都不可能在通用计算领域撼动传统架构的位置。它的优势从来都不是大规模模型训练，也不是通用高性能计算，它的主场天生就在低功耗边缘端，在对延迟和功耗有极致要求的细分场景。 比如植入式脑机接口，芯片要连续处理颅内脑电信号，整体功耗不能超过1毫瓦，传统芯片根本做不到，类脑就有可能啃下这块硬骨头；比如野外部署的生态监测传感器网，一块电池要撑三五年，还要实时处理图像和声纹信号，传统AI芯片功耗扛不住，类脑就能适配这个场景。 错把通用性当目标，才是现在很多研发走歪的核心原因。明明是适合做低功耗边缘感知的路线，非要赶大模型的风口，硬说自己能跑百亿参数大模型，最后算下来功耗比GPU还高，除了骗一轮融资，什么用都没有。 更大的风险在泡沫，现在资本太热，什么阿猫阿狗挂个类脑的牌子就能拿到钱，都不用流片，只画个PPT就能吹成技术突破，等潮水退了，裸泳的人现形，反而会让资本对整个方向失去信心，坑了真正埋头填坑的团队。 最务实的路径，其实从来都不是喊口号，而是扎进具体的细分场景，针对需求一点点优化。做脑电处理就专门优化脉冲编码对生物神经信号的适配，做机器人触觉感知就专门优化事件驱动的低延迟特性，先做出能用、好用的产品，把优势验证出来，再谈升级和扩张。 沙龙上那个老教授最后说，生物脑进化了几亿年才变成现在的样子，我们才仿了不到三十年，哪那么容易就搞出颠覆性的成果。现在能做的，就是一个坑一个坑往前填，把编码的坑填了，把器件的坑填了，把良率的坑填了，走着走着，说不定就真的在硅基迷宫里，走出一条完全不一样的新路。 哪有那么多一蹴而就的革命。都是熬出来的。