你早上出门,一眼认出楼下的邻居,还顺带听出他今天嗓子有点哑。这事对大脑来说轻描淡写,耗电大概二十瓦——比一只老式白炽灯泡还省。可要是让传统计算机来做同样的事,后台得调动一大片服务器,电表转得飞快。
差别藏在哪儿?这就要说到近几年越来越热的类脑计算。
今天绝大多数芯片都沿用“冯·诺依曼”结构:算的地方和存的地方是分开的,中间靠一条总线来回搬运数据。像做饭时菜刀放在厨房、食材锁在仓库,每切一刀都得跑一趟仓库取料。真实情况有点反直觉——芯片耗掉的电,很大一部分不是花在“算”上,而是花在“搬”上。
大脑不是这么干的。神经元既存信息又处理信息,记忆就长在连接强度里,不用来回搬。更关键的一点:它没有统一的时钟在背后催命,而是“有事才响”——只有当输入累积到一定程度,神经元才放出一个电脉冲;没消息的时候,它几乎静默。
把“一直问”换成“有事才响”
这个机制的行话叫事件驱动。打个比方:传统传感器像每隔一秒给朋友打个电话问“你到了吗”,一天拨出去几万次;脉冲式的做法更像装了个门铃,人来了才响一声。省下来的,全是那些白打的电话。
类脑计算想借的,正是这两条思路:存算靠得近一点,工作靠事件触发一点。落到硬件上,就是所谓的神经形态芯片——电路模仿神经元的放电方式,用一个个稀疏的脉冲来传递信息,而不是每隔一帧就老老实实汇报一次数值。
实验室的芯片,已经在做真事
这不是纸上的构想。IBM 早年的 TrueNorth、Intel 的 Loihi 系列、英国曼彻斯特大学的 SpiNNaker 机器,都在用脉冲的方式跑神经网络。国内清华团队做的“天机芯”也曾登上过学术期刊封面,思路是把人工神经网络和脉冲网络放在一颗芯片上协同。三星与哈佛的研究者则尝试用忆阻器阵列去逼近神经元与突触的排布方式。
应用端更接地气的是“事件相机”。普通摄像头每秒固定拍几十张照片,画面里没变化的部分也在耗电;事件相机只记录亮度发生变化的那些像素点。装在无人机上做避障,延迟低、数据量小,飞控反应能快上一截。类似的思路还被用在助听器、可穿戴设备和一些气味识别的小型传感模块上——它们共同的处境是:电池小、不能总充电、还得长时间待命。
它的长处很实在,短板也很实在
先说长处。功耗低是明面上的优势,延迟低也是,处理连续变化的时序信号(声音、振动、雷达回波)时格外顺手。
再说卡点。脉冲在网络里是“发或不发”的离散事件,没法像普通神经网络那样直接求导,训练时得用替代梯度之类的近似办法绕过去,调参更麻烦。配套的编程框架和工具链也远不如主流 AI 生态成熟,很多人上手第一周就卡在环境配置上。更现实的一条:现成的大模型没法直接搬过来跑,得重新设计网络结构。至于量产,工艺和成本都还在打磨阶段。
两个常见的误会
- 误会一:类脑计算就是要造一颗电子大脑。其实它多半只借了“事件驱动”和“存算一体”这两条思路,离复刻人脑差着十万八千里。
- 误会二:它早晚取代 GPU。更可能的画面是当一块协处理器,专门盯着传感器数据流,GPU 继续干 GPU 擅长的活。
所以别急着给它排座次。这项技术眼下更像一个偏科但手很稳的学生:在低功耗、小体积、长时间在线的场景里,它比谁都合适;放到通用计算的大考场上,它还得慢慢补课。
真正值得留意的,或许是那条被反复验证的规律——芯片架构的演进常常不是替换,而是分工。当年图形处理器也只是个打下手的配角,谁能想到后来会站到舞台中央。类脑计算会不会走同一条路,现在下结论还太早,但它已经在不少不起眼的设备里,悄悄替我们把电费省下来了。
