类脑计算
类脑计算(neuromorphic computing,又译神经形态计算、神经拟态计算)指模仿生物神经系统的结构、编码与信息处理机制来设计计算器件、芯片、算法与系统的计算范式。这一术语一般认为由加州理工学院教授卡弗·米德(Carver Mead)在20世纪80年代提出,其初衷是让芯片的设计"从大脑而非冯·诺依曼架构中获得启发",以低功耗、高能效的方式完成感知与计算。类脑计算的核心特征包括:以脉冲(spike)这一离散事件传递信息、计算与存储融合、大规模并行、事件驱动(event-driven)以及依托突触可塑性的自适应学习。它与"类脑智能"一词常被视为近义,但本词条聚焦计算硬件与算法实现层面,即脉冲神经网络模型、神经形态芯片与事件驱动计算;而"脑机接口"处理的是脑与外部设备之间的信号读写,并不在硅基器件上重建脑的计算原理,二者应严格区分。
定义与问题起点
类脑计算的出发点是对传统计算机架构局限的反思。自1946年第一台电子计算机问世以来,主流机器沿用冯·诺依曼架构:存储单元与计算单元分离,数据需经总线在两者之间反复搬运。随着人工智能模型参数与训练数据规模膨胀,这一"存储墙"带来的数据搬运能耗与时延,加上摩尔定律放缓与工艺接近物理极限,使算力增长与能耗攀升之间的矛盾愈发突出。相比之下,人脑约有860亿个神经元、通过百万亿级突触互联,以稀疏的脉冲事件在时空域中传递信息,存储与处理天然融合,功耗仅约二十余瓦。
由此,类脑计算把"大脑如何以极低功耗实现感知与认知"转化为工程问题:用电子器件模拟神经元与突触的行为,用脉冲时序编码信息,让计算只在事件发生时进行。它与存算一体(computing-in-memory)理念高度重合——在神经形态器件中,存储信息的物理位置本身也是执行计算之处,从而削减搬运延迟与能耗。需要指出的是,类脑计算并不以完整复制全脑规模为短期目标,也不等同于"人工通用智能";它更像一条与主流深度学习并行的补充性技术路线,其价值首先体现在能效、时延与持续学习能力上。
脉冲神经网络与信息编码
脉冲神经网络(spiking neural network,SNN)是类脑计算的算法核心。与人工神经网络中节点输出连续激活值不同,SNN 中的神经元(常用泄漏整合发放模型,leaky integrate-and-fire,LIF)持续累积输入电流,当膜电位越过阈值时才发放一个脉冲,随后进入不应期。信息因而被编码在脉冲发放的时间与频率之中:频率编码用单位时间内的脉冲数表示强度,时间编码则可利用首个脉冲的到达时间传递更精细的信息,群体编码则由多个神经元的联合活动表示变量。由于大量神经元在多数时间保持静默,SNN 天然稀疏,与事件驱动的硬件特性高度契合。
这种编码方式使 SNN 更适合处理具有时间结构的连续数据流,如视觉、听觉与传感信号;但脉冲本身是离散且不可微的事件,这给训练带来根本困难。围绕这一难题,研究者发展出三条主要训练路径:一是"人工神经网络到脉冲神经网络的转换"(ANN-to-SNN conversion),把已训练好的传统网络权重映射到 SNN,工程上简便但往往需要较长的编码时间步;二是"基于梯度的直接训练",以替代梯度(surrogate gradient)方法为脉冲函数在反向传播中构造平滑近似,并借助随时间反向传播(BPTT)优化,精度较高却对算力与实现提出要求;三是"脉冲时序依赖可塑性"(STDP)等局部学习规则,依据突触前后脉冲的时间先后调整权重,生物学上更可信且适合在芯片上实现在线学习。混合多种规则的方法也日益常见。
神经形态芯片与系统
硬件是类脑计算的基石。国际上已形成若干代表性平台,路线各异:
IBM 的 TrueNorth 于2014年发表于《科学》(Science),采用28纳米工艺,集成约100万个脉冲神经元与2.56亿个突触、4096个神经突触核心,典型功耗约70毫瓦,是早期可扩展数字神经形态芯片的标志,但其权重在训练后加载,不支持片上学习。英特尔的 Loihi 于2018年推出,在数字异步核心上实现可编程神经元模型与 STDP 片上学习;第二代 Loihi 2 于2021年发布,采用英特尔4工艺,单芯片约100万神经元、1.2亿突触,稀疏负载下能效较前代显著提升,并通过 Lava 开源框架与英特尔神经形态研究社区对外开放。2024年4月,英特尔推出 Hala Point 系统,集成1152颗 Loihi 2 芯片、约11.5亿个神经元与1280亿个突触,分布于逾14万个处理核心,是当时规模最大的神经形态系统之一。IBM 于2023年发表的 NorthPole 则适度淡化了严格的脉冲语义,强调"存算近邻、大带宽片上互连"等脑启发架构经验,在常规神经网络推理上取得较高能效。
欧洲路线更偏重神经科学仿真。曼彻斯特大学的 SpiNNaker 由大量 ARM 处理器核以消息组播方式互连,可实时模拟十亿量级的简单神经元;海德堡大学的 BrainScaleS 采用模拟混合信号电路,以远超生物实时(可达千倍量级)的速度复现神经元与突触动力学,适合研究可塑性与学习规则。中国方面,清华大学的天机芯较早实现人工神经网络与脉冲神经网络的异构融合;浙江大学团队先后研制达尔文系列类脑芯片,并于2020年发布包含1.2亿个脉冲神经元、近千亿神经突触的类脑计算机,此后又推出更大规模的神经拟态系统。这些平台共同说明,神经形态计算已从单芯片实验走向大规模系统集成。
事件驱动感知与传感器
事件驱动是类脑计算区别于帧驱动计算的关键。传统摄像头以固定帧率采集整幅图像,产生大量冗余数据;动态视觉传感器(dynamic vision sensor,DVS)等事件相机则只在像素亮度发生变化时输出事件,具有微秒级时间分辨率、高动态范围与极低数据率。把事件相机与神经形态处理器结合,可构成在不到一毫秒内对视野变化作出反应的感知系统,适用于无人机避障、高速目标跟踪与机器人抓取。类似地,在语音关键词唤醒、雷达与超声等稀疏、时序信号任务中,事件驱动硬件只在相关事件出现时激活计算,待机功耗接近零。这类"始终开启、低功耗感知"的场景,被认为是类脑计算最可能率先落地的方向。
应用与评测
从已展示的应用看,类脑计算在边缘智能、机器人与传感领域具有明确优势:在电池供电的设备上做关键词 spotting、手势识别与异常检测;为无人机和人形机器人提供低时延的感知—决策闭环;在优化与图计算等具有稀疏、迭代特征的问题上探索加速。科普中国的报道曾援引英特尔数据称,Loihi 执行特定任务的速度可比普通 CPU 快约1000倍、能效高约10000倍——这类数字针对特定负载,不能外推为通用性能。
评测却是长期短板。神经形态领域缺乏类似 ImageNet 那样具有统一规范力的基准,能效数据往往来自彼此不可比的研究;同一工作在密集、静态、高精度的任务上通常并不优于图形处理器(GPU)。有综述指出,神经形态的能效优势与其说是"芯片属性",不如说是"工作负载属性":只有当数据天然稀疏、具有时间结构且能容忍近似结果时,优势才成立。这一认识促使评测走向算法与系统并重的双轨框架:2026年初,由哈佛大学领衔的近60家学术机构与企业共同推出面向神经形态计算的统一评测框架,试图为基础研究与实用系统建立可比的标准,标志着该领域评测标准化的起步。
争议与局限
类脑计算仍处于发展阶段,围绕其前景存在不同看法。乐观者视其为突破"功耗墙"、通向泛在智能的重要路径;审慎者则指出,当前神经形态系统的任务能力距主流深度学习尚有差距,缺乏典型的大规模成功应用仍是现实。具体而言,局限集中在四方面:其一,训练困难——脉冲不可导使梯度训练必须依赖近似,精度、深层网络收敛与主流框架互操作尚不成熟;其二,编程与可移植性——主流的张量、浮点、确定性执行抽象与 SNN 的神经元、脉冲时序、异步通信模型差异巨大,为一种芯片调优的模型往往难以迁移到另一种芯片;其三,器件与精度——模拟器件存在噪声、漂移、离散性与有限精度,需要校准、冗余或容忍误差的算法来应对;其四,生态与标准——工具链、编译栈、算子库与统一评测仍薄弱,制约了从"专用任务演示"走向通用平台。
此外还有一个方向性的讨论:以 NorthPole 为代表的工作表明,商业化中可迁移的,或许是"存算近邻、事件驱动、大规模片上带宽"等架构经验,而非严格的脉冲语义本身。这意味着类脑计算与主流人工智能并非简单的替代关系,更可能是在边缘、感知与持续学习等场景相互补充。未来进展取决于三件事:神经形态器件能否稳定量产并纳入标准工艺、能否建立公认的编程抽象与评测体系、以及学习算法能否在保持生物合理性的同时缩小与传统深度学习的精度差距。
参见
- 类脑智能
- 脉冲神经网络
- 神经形态计算
- 存算一体
- 忆阻器
- 边缘智能
参考资料
- 科普中国. 人工智能继续迭代 类脑计算悄然走红. 科普中国网, 2019-12-20.
- 科普中国网. 我国科学家发布亿级神经元类脑计算机. 科普中国网, 2020-09-02.
- 科普中国. 模仿人脑的"类脑",能实现真正的人工智能吗?. 科普中国, 2024.
- Shuiguang Deng 等. Edge Intelligence with Spiking Neural Networks. arXiv, 2025-07-18.
- Hemanth Sabbella 等. The Promise of Spiking Neural Networks for Ubiquitous Computing: A Survey and New Perspectives. arXiv, 2025-06.