2026-09-17 13:35:53 分类：科技
大模型厂集体砍单，算力走到悬崖边了
2026年开春，圈内传的最疯的消息不是GPT-6要上线，是国内三家TOP级大模型厂商集体砍了英伟达的新订单。
钱挪地方了。
挪了大概12%的年度算力资本开支，给了名不见经传的神经形态计算原型项目。说实话，我刚听到这个消息的时候，第一反应是资本又要炒新故事割韭菜了？直到上个月跟某厂算力负责人吃饭，他拍着桌子给我算帐，我才醒过来。
训练一个GPT-4级别的多模态大模型，整个周期消耗的电力，相当于一座120万人口的中型城市整整一个月的居民生活用电量。
就这，还得抢得到英伟达的芯片，一张H100拿货价炒到四万美金，你拿多少钱堆，都赶不上参数增长的速度。摩尔定律死了快十年，大家靠着堆核心堆缓存硬撑，现在撑到3nm，再往下堆，成本涨得比性能快三倍，谁顶得住？
2026年全球大模型厂商算力资本开支结构统计图
现在所有做AI的都在裸奔，赚的广告费、API钱，连算力成本的零头都覆盖不了。资本不肯再给烧钱了，厂商只能找新路。与其说大家主动押注神经形态计算，不如说被冯诺依曼架构逼到墙角，不得不找出口。对吧？
模仿人脑不是炫技，是产业逻辑的重构
很多人一听神经形态，第一反应就是“模仿人脑，实验室里的黑科技，离商业化远着呢”。其实不对，国内已经有厂商落地赚钱了。
清华系出来的灵汐科技，做第三代天机芯神经形态芯片，去年已经给国网批量供应边缘电力监测模块，用来做线路故障的实时AI预测。相同的推理任务，功耗只有原来用的ARM芯片的八分之一，已经实打实跑了上万台设备。
底层逻辑说穿了其实很简单，我们用了七十年的冯诺依曼架构，天生就是“计算”和“存储”分开的，数据要在两个模块之间来回跑，跑一次就耗一次电，90%的功耗都耗在数据搬送上了。神经形态走的是另外一条路，模仿人脑的神经元和突触，把计算和存储做在一起，也就是存算一体，数据不用跑，直接在存储的地方就算完了，功耗自然降下来。
相同的终端AI推理任务下，神经形态芯片的功耗只有传统GPU的1/200，推理速度快150倍，但目前量产良率只有传统硅芯片的62%，单颗成本比同规格GPU贵2.7倍。这就是现在尴尬的地方，技术方向对，但成本还没打下来。
神经形态芯片人脑突触模拟原理示意图
这个事儿其实很像生物进化。冯诺依曼架构就是当年称霸地球的恐龙，体型越长越大，耗能越来越高，遇到大模型算力需求爆炸这个“小行星”，已经扛不住了。神经形态就是当年躲在洞穴里的小型哺乳动物，个子小，耗能低，看起来不起眼，但是刚好适配新的环境，等恐龙倒下，自然就能接管天下。
不过话说回来，现在国内做神经形态的厂商，不止灵汐，还有中科院微电子所背景的几家创业公司，都在偷偷往下游落地，没人愿意大张旗鼓炒作。一方面是怕被资本捧杀，另一方面，大家都清楚，生态不在自己这儿，现在喊得越大声，死得越快。当年GPU起来的时候，不也是偷偷给AI做算力，慢慢把生态换了？我反倒觉得，现在闷头干活的，才是真玩家。那些喊着“颠覆GPU”的，基本都是PPT圈钱的。
对普通从业者的影响，比你想的来得快
对普通从业者的影响，比你想的来得快
很多人觉得，神经形态计算是上游芯片厂商的事儿，跟我一个写算法的、做产品的有什么关系？
太有关系了。
先说芯片设计工程师，原来做冯诺依曼架构积累的那套EDA流程、验证方法，一半以上不适用了。神经形态芯片靠的是稀疏脉冲触发，不是原来的时钟同步，设计思路完全变了。现在国内头部的几家神经形态厂商，开出来百万年薪找懂脉冲神经网络设计的工程师，找不到人。未来三年，这个缺口至少十万个，你现在转，还能吃第一波红利。
再说到做算法的朋友，现在大模型都在往端侧走，手机、汽车、IoT设备都要放AI，原来云端那套大模型，砍了又砍才能塞进端侧，功耗还降不下来。神经形态芯片天生适合低功耗端侧AI，接下来两年，会有大量的算法适配需求，原来做大模型裁剪、轻量化的朋友，早点去了解脉冲神经网络，绝对不吃亏。
我也说句难听的，现在行业里已经一堆浑水摸鱼的，把存算一体换个包装就叫神经形态计算，拿着PPT融几个亿，转头就割一级市场的韭菜。普通从业者找工作，或者创业者找方向，别碰那种只有原型没有落地订单的公司，都是炒概念。说白了，现在这个阶段，能在边缘端赚一块钱，比吹一百亿的市场空间有用多了。
对产业链上的代工厂来说，现在主流的神经形态芯片很多用RRAM阻变存储器做突触，和原来的CMOS工艺不一样，国内中芯国际已经在给几家头部厂商试产新工艺，接下来两年，相关的工艺岗位缺口也很大。
当算力终于不用靠堆硅片堆出来的时候，第一个被淘汰出局的，会是谁？
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：神经形态计算不是AI新故事，是冯诺依曼架构的终点
文章链接：https://m.lfdjt.com/info_23_20284.html
大讲堂