神经形态计算是什么？模仿大脑结构的计算方式

神经形态计算（Neuromorphic Computing）是一种模仿人脑结构和功能来设计计算机的方式。它用人工的神经元和突触来处理信息，试图像大脑一样计算。这个概念由加州理工学院的卡弗·米德（Carver Mead）在上世纪 80 年代末提出。

为什么要模仿大脑

人脑是一个极其高效的计算系统：它有约 860 亿个神经元，能完成识别、学习、推理等复杂的任务，而功耗只有约 20 瓦，相当于一个灯泡。相比之下，训练和运行大型 AI 模型需要庞大的数据中心，消耗巨大的电力。传统计算机采用冯·诺依曼架构：处理器和内存是分开的，计算时需要不断地在两者之间来回搬运数据，这种搬运本身就消耗大量的时间和能量，被称为“冯·诺依曼瓶颈”。而在大脑中，存储信息的突触和处理信息的神经元是融为一体的，信息在原地被处理。

神经形态计算的特点

事件驱动：传统芯片按照固定的时钟节奏，所有电路不停地工作。神经形态芯片中的神经元只有在接收到足够的信号、需要“发放”时才活动，就像大脑中的神经元只在被激发时才发出电脉冲，其余时间保持安静，因此非常节能。处理的往往是稀疏的、异步的信号。脉冲神经网络：神经形态系统通常运行脉冲神经网络（SNN），信息用离散的脉冲以及脉冲的时间来编码，而不是传统神经网络中连续的数值。存算一体：把存储和计算放在一起，减少数据搬运。大规模并行：大量的神经元同时工作。

代表性的芯片和应用

IBM 在 2014 年推出了 TrueNorth 芯片，包含 100 万个神经元；英特尔推出了 Loihi 系列研究芯片，并在 2024 年发布了由大量 Loihi 2 芯片组成、拥有 11.5 亿个神经元的大型系统 Hala Point；欧洲的 SpiNNaker、清华大学的“天机芯”等也是这一领域的代表。神经形态计算特别适合需要低功耗、实时处理感知信息的场景，比如机器人、可穿戴设备、物联网传感器，常与同样受生物启发的事件相机配合使用。

挑战

神经形态计算目前仍主要处于研究阶段。脉冲神经网络的训练比传统神经网络更困难，在很多任务上的准确率还不如主流的深度学习；缺乏成熟的软件工具和编程方法；而且现有的大部分 AI 模型和算法都是为 GPU 这类传统硬件设计的，难以直接迁移。但在 AI 能耗问题日益突出的背景下，它被视为一个有长期潜力的方向。