立品牌之基
筑百年之石

芯片也想学着“省点劲”:神经形态芯片在赌一个不一样的未来

从一个熟悉的烦恼说起

视频通话十来分钟,手机背面就开始温温的;笔记本一跑模型,风扇立刻呼呼作响。我们早就被训练出一个直觉:算得越多,就越费电,这是天经地义的事。

可人脑不是这么干的。它大概只消耗二十瓦,跟一只节能灯泡差不多,却能同时处理看到的、听到的、想到的,还能一边分神一边走路。于是有工程师动了个念头:既然大脑能这么省,能不能让芯片也学着点?顺着这条路摸出来的产物,就是神经形态芯片。

它到底“形态”在哪儿

要理解它,先看普通芯片别扭在哪。我们熟悉的处理器大多沿用“计算和存储分家”的思路:算的地方和记的地方是两个房间,每做一步运算,数据都得在两个房间之间来回搬。搬得越频繁,时间和电就耗在路上——业内管这叫“存储墙”,说白了就是跑腿跑得比干活还累。

神经形态芯片的第一招,是把这两个房间合并。它模仿神经元的连接方式,让“记忆”本身就长在计算单元上,权重存在那里,运算也在那里发生,少了一大截搬运开销。

第二招更有意思:它不太用“时钟”驱动。传统芯片像一盏一直亮着的灯,节拍不停跳,哪怕没事也在耗电;这类芯片更像门铃,只有真有人按,它才响一下。信息以脉冲的形式传递,谁有信号谁说话,没信号就安静待着。这种“事件驱动”的工作方式,让它在空闲时几乎没有功耗。

一句话概括:它不是把算力堆得更高,而是换了一套“按需出手”的逻辑。

现实里已经用在哪

听起来像实验室里的玩具,但其实有些地方已经悄悄用上了。

  • 事件相机:普通摄像头一秒拍几十帧,画面里绝大部分像素其实没变化,白拍了。事件相机只记录“哪个点变亮了、哪个点变暗了”,数据量小得多,反应也更快,适合高速运动场景。
  • 语音唤醒:耳机、可穿戴设备里那颗一直竖着耳朵的小芯片,如果按常规方案跑,电池撑不了太久。用脉冲方式做关键词识别,待机功耗能压得很低。
  • 机器人的触觉与避障:机械手要感知压力变化,传感器数量一多,数据就会淹过来。事件驱动的好处是只上报“有变化”的部分,后端压力小很多。
  • 零散部署的传感节点:埋在地下、贴在管道上、挂在野外的设备,换电池很麻烦,低功耗就是刚需。

你会发现,这些场景有个共同点:不需要顶尖精度,但特别在乎“省”和“快反应”。这恰好是神经形态芯片的舒适区。

“它要取代 GPU”是个误会

每次聊到这个话题,总有人问:那它是不是以后能把显卡干掉?大概率不会,也没必要。

今天的显卡擅长的是大规模并行、高精度、可批量训练的任务,生态成熟、工具齐全。而这类芯片更像是一个偏科生:在稀疏的、时序的、低功耗的场景里很亮眼,但你让它去跑通用大模型训练,那是难为它。

还有几个短板摆在那儿。一是训练方式不匹配——现在主流靠反向传播调参数,而脉冲信号的“有或无”不好直接求导,怎么高效训练仍在摸索。二是精度和稳定性,模拟电路受温度、噪声影响,做大规模一致性不容易。三是软件生态,开发者习惯了现成的框架,换一套陌生的编程模型,学习成本不低。四是它并非“数字大脑”,别被名字带偏,它只是借了点神经系统的结构灵感,离真正理解大脑还远。

它更像是另一条岔路

我挺喜欢把这类技术看成岔路,而不是替代品。过去几十年,我们一直在同一条路上加速:塞更多晶体管、提更高频率、堆更大集群。这条路当然还能走,但边际收益越来越贵,电费和散热已经开始反向约束想象力。

神经形态芯片提供的,是另一个方向的提问方式:能不能不靠“算得更猛”,而靠“算得更巧”?当越来越多的设备需要常年在线、随身携带、埋在没人去的地方,这个问题的分量会越来越重。

当然,现在说它改变世界还太早。它更像二十年前的某些技术雏形——方向看着对,路上坑不少,需要有人在上面持续投时间。至于最后能不能跑通,交给接下来几年去回答比较合适。

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:芯片也想学着“省点劲”:神经形态芯片在赌一个不一样的未来
文章链接:https://m.nusanedannualreport.com/tech/sfasezll.html