别被名字骗了：它根本不想做“人工大脑”
很多人第一次听“类脑计算”，第一反应是要造个跟人一模一样聪明的人工大脑，能聊天、能创作、能跟人共情那种。真不是。 类脑计算的核心出发点，是解决现有冯·诺依曼架构绕不开的“内存墙”死穴。 现在我们用的所有通用芯片，不管是手机里的处理器，还是跑大模型的GPU，计算单元和存储单元都是分开的。每次要算点什么，都得先把存在存储器里的数据搬到计算单元，算完再把结果搬回存储器存好。这一搬，能耗就上去了——之前跟做芯片的朋友算过一笔账，跑一次矩阵乘法，真正花在计算上的能耗，还不到整个流程总能耗的1%，剩下99%的电，全耗在来回搬数据的路上了。
实验室里的“笨办法”，反而绕开了大模型的死胡同
最开始做类脑方向的那批人，真的想过1:1复刻人脑——把人脑里八百多亿个神经元、上万亿个突触，挨个在芯片上对应出来。算到最后大家发现根本不现实，真要做出来这么个芯片，光供电和散热的成本，就能占满整栋教学楼，更别说落地用了。 现在走的路子其实野得多。根本不追求跟人脑结构完全一致，就抓两个最核心的运行特性。一个是脉冲式放电：不是像现在的芯片那样，不管有没有有效信号，都一直保持满负荷运算输出，而是只有当接收到的信号强度达到阈值，才会跳一下输出脉冲，没信号的时候就安安静静待着，几乎不耗电。另一个是突触的可塑性：两个神经元之间的连接强度，会根据之前收到的信号自动调整，不需要人从头到尾把所有判断规则写死在代码里。
别吹得太神：它现在还离“通用智能”远得很
现在外面的宣传总把类脑计算吹成下一代人工智能的终极答案，好像再过个三五年就能取代GPU、取代大模型似的。真坐下来跟实验室的人聊半小时就知道，这种说法纯纯是蹭热度。 类脑芯片现在擅长的，全是低功耗、对实时性要求高、不需要太复杂深度推理的场景——比如林区监测、可穿戴设备的健康信号采集、工业设备的振动故障预警。你让它现在去跑千亿参数的大模型推理，它根本接不住。毕竟它的架构天生是为稀疏的脉冲信号设计的，那种需要密集矩阵计算的任务，跑起来效率还不如普通的家用CPU。 我当时跟那个带我的博士聊，他说最烦外面写“类脑芯片将颠覆整个计算行业”的稿子。扯啥呢——两者根本不是替代关系，是搭伙干活的关系。以后的计算架构，肯定是混着来的：需要密集跑大模型训练和推理的部分，还是交给GPU扛着；需要长期挂在端侧、对功耗敏感、要求实时响应的部分，就交给类脑芯片跑，谁也别抢谁的饭碗。 翻了翻他们实验室的测试记录，从2017年第一次把第一块能跑简单脉冲逻辑的芯片流片出来，到现在能实际落地到林区的监测设备，整整走了6年。中间踩的坑多了去了。最开始做的芯片，突触的可塑性根本不准，环境温度变高个两三度，神经元放电的阈值就飘了，测出来的结果根本没法用；后来好不容易把稳定性调好了，接传感器的时候又发现，传统传感器输出的是连续的模拟信号，跟芯片要的脉冲信号对不上，又花了一年多打磨信号转换的接口。 我当时问他，那你们做这个，最终是想做到啥程度？ 他靠在椅子上笑，说哪有什么终极目标。我们又不是要造个跟人一样会聊天的大脑，就是想把现在那些算起来太费电的场景，换个更省的法子跑。以后你戴的智能手表，测心率、测睡眠，不用每天充一次电，靠人体散的体温差就能供电；马路上的摄像头，不用专门拉网线接电，靠太阳能就能24小时盯着有没有交通违章，这些事类脑芯片现在就能做，根本不需要等到什么通用智能实现的那天。 从实验室出来的时候，南京刚好下了点小雨，风一吹裹着满街的桂花香。 我之前总觉得科技的进步是那种轰隆隆的大场面，是发布会上亮出来的漂亮跑分，是动辄千亿的参数规模。结果蹲了这三天才发现，真正离普通人近的技术，从来都不是喊着要颠覆世界的。它就是安安静静待在指甲盖大的芯片里，不吵不闹，把之前要耗掉100倍电的事，用一丢丢电就干完了。 走的时候那个博士塞给我一个他们做的测试小demo，指甲盖大的小灯，接了块最小的类脑芯片，手晃一下就亮，不晃就灭。现在我还把它别在钥匙扣上，每次开门看到它闪一下，就想起那天实验室屏幕上，一整墙跳着的、像星星一样的脉冲波形。作者|科技
排版|科技
审核|柚子