立品牌之基
筑百年之石

脑子是个好东西,类脑计算想借来用用

你有没有算过一笔账:自己一边散步一边和人闲聊,大脑大约只花二十瓦电,差不多一盏老台灯的功率。换成一堆服务器干同样的事,风扇能吹出小风。这个反差,是类脑计算最朴素的出发点——不追求「算得更狠」,而是想学大脑「算得更省」。

传统芯片干活的方式,说白了很像一条流水线:计算单元和存储单元被分在两个车间,每算一步,数据就得来回搬一趟。搬运本身就耗电,数据量一大,能耗和延迟就同时往上蹿。业内把这道坎叫「存储墙」,或者冯·诺依曼瓶颈。大脑不是这样运作的,它的记忆和计算长在同一张网里,神经元一边处理信号一边调整连接,压根没有「搬运」这道工序。

它到底在学大脑的什么

被模仿的核心单位是神经元和突触。真实神经元并不是每秒都在噼里啪啦地放电,它更像一个攒够了才发话的人:收到的信号累积到某个阈值,才「啪」地放出一个脉冲;没到阈值,它基本安静。也就是说,大脑的信息传递是事件驱动的——有事才说话,没事就静音。

类脑计算把这条规则搬进硬件:用脉冲的有无来表示信息,而不是像常规 AI 那样每次都把一堆数字全算一遍。好处很直接,也很有画面感:监控摄像头对着空无一人的走廊时,芯片可以几乎不出力,只有当画面里真的出现动静,才有脉冲涌进来。这种「按需用电」的思路,就是它在低功耗场景里被反复提起的原因。

实验室里跑得怎么样

这条路线已经不算纸上谈兵了。英特尔推出的 Loihi 系列、IBM 早年的 TrueNorth、清华团队的天机芯、英国的 SpiNNaker 系统,都是实打实流片造出来的硬件。它们被拿去做过这些事:识别不同气味的传感器信号、控制小型机器人的运动、处理听觉数据、跑一些模式识别任务。共同点是小巧、反应快、耗电低,和一些需要长时间待机的边缘设备很对味。

短板也不藏着

但它离「主流」还有相当距离,麻烦主要在软件那一侧:

  • 编程难。开发者习惯的是矩阵运算和现成的框架,脉冲的时序逻辑得重新学,工具链也远谈不上顺手。
  • 精度还差一截。在不少通用任务上,它打不过已经卷了十几年的常规深度学习模型。
  • 训练方法不成熟。大脑靠什么规则调整突触强度,学界还在争论,工程上也就没有一锤定音的方案。
  • 规模尴尬。演示很漂亮,真要在体量上撑起大模型,还有硬骨头要啃。

还有一个常见误会值得说清楚:类脑计算不是要造一个会思考的「电子脑」。它既不打算复制意识,也不承诺通用智能,端到端抄的只是神经元传递信号那一层机制。它也不会把现有 AI 挤下台,更可能的角色是补位——在需要长时间待机、电池小、又得立刻反应的场合顶上去。

所以它更像通向哪里的路

如果把今天的 AI 比作把发动机越做越大,那它更像在琢磨怎么把油耗降下来。芯片行业这几年被功耗和散热逼得越来越紧,这条「向大脑取经」的路,价值就显出来了。它不一定会成为舞台中央的主角,但很可能会在某些角落里,悄悄让设备变得又安静又耐用。

下次你一边走路一边聊天,不妨想想这个场景:二十瓦的功耗,几百亿个神经元在同时工作,而且它们绝大多数此刻是安静的。类脑计算要追的,大概就是这份「安静里的高效」。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:脑子是个好东西,类脑计算想借来用用
文章链接:https://m.nusanedannualreport.com/tech/qq7ed0y3.html