把突触焊在硅片上：类脑芯片研发绕不开的三个真实命题

上周在南京紫金山实验室的开放日，摸到一块指甲盖大的类脑芯片样片。

工程师说跑一次神经形态推理的功耗，只有同参数GPU的1/120。

我当时第一反应不是“哇好厉害”，是盯着引脚数愣了三秒。

这东西离能装到你家智能门锁里，还差着十万八千里。毕竟实验室里测出来的极限性能，和量产线出来的能稳定跑在工业温度区间的商用产品，中间隔着工艺、算法、生态三层完全跨不过去的坎——很多人看了几篇发布会通稿就觉得类脑芯片马上要替代所有GPU，这种认知差，才是现在行业里最有意思的部分。

绕开冯·诺依曼墙，不是为了做“更快的芯片”

现在大家熟悉的通用芯片，不管是手机里的SoC还是服务器里的GPU，本质上都还是冯·诺依曼架构的老路子——计算单元和存储单元是物理分开的，每做一次运算，都要先把存在内存里的数据搬到计算核心，算完再把结果写回内存。这个来回搬运的过程，要占整个运算过程60%以上的功耗，哪怕工艺制程已经缩到3纳米，这堵“墙”还是挡在所有开发者面前。

类脑芯片从根上换了个思路。它不追求做更猛的计算核心，而是把存储单元和计算单元揉到一起，模拟大脑里神经元和突触的连接方式，让每个存储权重的突触单元本身就能完成基础的乘加运算，不用跨单元搬数据。存算一体的神经形态架构，从根源上把数据搬运带来的功耗给砍了。

当然这套架构不是万能的。

它天生不擅长跑需要高精度浮点运算的大模型训练。你要是拿它去训千亿参数的Transformer，算力密度连普通商用GPU的零头都够不上。甚至连现在大家常用的图像识别任务，要是要求16位以上的浮点精度，类脑芯片的表现还不如同功耗的传统MCU。它的优势从来不是“算得快”，是“算得省”——尤其是需要24小时持续感知、没有持续供电来源的场景，比如埋在森林里的防火传感器，装在桥梁结构里的振动监测节点，传统芯片换一次电池要爬几十米高的桥墩，类脑芯片靠一块太阳能板就能连续跑三年，这才是它能站稳的基本盘。

被吹爆的脉冲神经网络，卡在哪了？

类脑芯片的核心算法是脉冲神经网络（SNN）。和现在主流的人工神经网络（ANN）用连续的数值传递信号不一样，SNN是靠离散的脉冲信号传递信息，更接近真实大脑神经元的放电方式，理论上能效比能比ANN高两个数量级。

但现实是，现在绝大多数已经训好的成熟模型，不管是图像识别的ResNet，还是语音识别的Transformer，都是为ANN设计的。直接把这些模型搬到SNN上，就像把燃油车的发动机塞到电动车的车架里——根本适配不上。之前有个高校团队把ResNet50转成SNN跑在自研芯片上，刚转完的时候精度掉了17个点，最后靠手动逐节点调了三周的脉冲阈值参数，才把精度差拉回到2个点以内。这效率，换工业界的产品经理看了直接要拍桌子。

核心的瓶颈其实就在脉冲时序依赖可塑性（STDP）的片上训练效率上。真实大脑里的突触权重调整，是靠前后两个脉冲的时间差自动完成的，不需要外部的复杂反馈信号。但现在芯片上实现的STDP机制，要么是精度不够，调整出来的权重收敛性差；要么是需要的硬件电路太复杂，把之前省下来的功耗又给吃回去了。

现在行业里其实在走两条完全不同的路破局。一条是做更高效的模型转换算法，把已经训好的ANN模型无损转成SNN，不用从头开始训练，尽量蹭上现有深度学习生态的红利；另一条是干脆绕开现有生态，从零开始搭适配SNN的轻量训练框架，专门针对边缘端的小模型做优化。没有哪条路是绝对正确的，前者走得快但天花板低，后者走得慢但长期潜力大，现在谁也没跑出来。

别拿实验室样片，当能量产的商用产品

很多人看了实验室里发布的类脑芯片参数，就觉得马上能买到装着类脑芯片的手机了。真的想多了。

现在实验室里测出来的那些亮眼参数，都是在理想的benchmark测试集上跑出来的。真要走到量产环节，第一个坎就是工艺兼容性。现在类脑芯片的突触单元，很多用的是忆阻器或者新型浮栅晶体管，这些器件的制造工艺和现在成熟的CMOS生产线不是完全匹配的，流一次片的成本比同规模的传统芯片高30%都不止。良率上不去。成本就下不来。

第二个坎是软件生态。现在你要给类脑芯片开发应用，得自己写底层驱动，自己适配模型，甚至连最基础的调试工具都没有——对比传统GPU已经发展了十几年的CUDA生态，类脑芯片的开发生态基本还在蛮荒时代。之前接触过一个做工业振动监测的团队，本来想换类脑芯片把节点功耗压到原来的1/10，结果光把振动信号的特征提取模块适配到芯片上，就花了四个月。算下来人力成本比买三年的工业级GPU还贵，最后只能放弃。

工艺兼容性与生态成熟度的错配，是现在所有类脑芯片研发团队都绕不开的现实问题。你不能一边吹着比传统芯片低两个数量级的功耗，一边让开发者花十倍的精力去适配——这种不对等的投入产出比，没有哪个下游客户会愿意买单。

上周和那个给我看样片的工程师吃饭，他说现在行业里最容易犯的错，就是把类脑芯片吹成能替代所有算力芯片的万能选手。

哪有那么好的事。

它本来就不是为了替代云端的大模型训练设计的，也不是为了给你打游戏、剪视频做加速的。它的价值就是在那些传统芯片“够不着”的窄场景里，把功耗压到一个能靠微幅能量收集就能持续运行的水平——比如植入式的脑机接口设备，总功耗只有几毫瓦，不用经常拆出来做手术充电；比如野外的动物追踪器，靠身体的热量就能连续跑一年。这些场景，传统芯片根本做不到。

毕竟大脑本身也是花了几百万年才演化成现在这样。哪是靠两三年流几次片就能完全复刻的。路还长。