给硅片装100亿个‘神经突触’：类脑计算的冷与热

上周赶南京的秋老虎，在新街口旁的老咖啡馆躲太阳，撞见个穿洗得发白的格子衬衫的工程师，攥着半杯化了冰的美式，对着笔记本屏幕发呆——不是常见的GPU走线图，是像人脑皮层褶皱的、密密麻麻的拓扑线。那是他熬了三个多月做的类脑芯片原型，桌角还放着半袋盐水鸭，是他从公司楼下的卤菜店顺的。

不是“仿人脑的AI”，是把神经元直接焊在硅片上

很多人第一次听类脑计算，第一反应是“哦，就是做的更像人的大模型呗？”

错。

现在你用的ChatGPT、Midjourney，跑在冯诺依曼架构的芯片上——说穿了，就是计算单元和存储单元是分开的，每算一步，都要把数据从内存搬到计算核心，算完再搬回去。像你每次写作业，都要把课本从书房搬到书桌，写完再搬回去，来回折腾，费时间还费电。

类脑计算的逻辑完全反过来：把存储和计算合二为一，每个“神经突触”单元，自己存数据，自己做简单的计算。就像人脑的神经元，不用把信息从一个地方搬到另一个地方，当场就处理了。

说实话，第一次看那个拓扑图的时候，我鸡皮疙瘩都起来了——原来不是把AI模型训得更像人，是把硬件本身，做成“人脑子的零件”。

之前看过公开演示的天机芯，装在一辆普通的自行车上，能自己躲过路障，认得出站在路边的人，甚至能跟着音乐的节奏晃车把——关键是功耗只有普通GPU的几十分之一，是公开测试的数据，当时我就想，这要是装在智能手表上，是不是再也不用天天晚上插充电线了？

别信“取代人脑”的鬼话，它现在连蟑螂的脑子都不如

营销号最爱吹类脑计算，说什么“十年内取代人脑”“下一个工业革命的核心”，我上次听一个做类脑的研究员朋友吐槽，说他花了半年调的芯片，连个苍蝇的飞行轨迹都预测不准，还被老板催着发“突破性成果”，差点没把咖啡喷在键盘上。

真的，别吹了。

人脑有860亿个神经元，每个神经元连着上千个突触，现在实验室里能做出来的类脑芯片，能模拟的神经元规模，连昆虫的脑子都赶不上——更别说那种复杂的、能处理情绪、能凭空想出一首诗的人脑了。

说白了，现在的类脑计算，就像你刚学会用积木搭了个小房子，就说自己能盖摩天大楼，差得远呢。

上次跟那个南京的工程师聊，他说现在最大的坎，不是造不出更多的突触，是软件跟不上——你造了一个像人脑的硬件，但程序员还是用给冯诺依曼芯片写代码的逻辑来写，就像你给一辆电动车加汽油，根本跑不起来。大家用了几十年的Python、C++，谁愿意重新学一套像“养小虫子”一样的编程方法？毕竟写代码的人，都习惯了“我写一行，机器做一步”的逻辑，类脑的逻辑是“我给你一堆神经元，你自己慢慢长出逻辑”，太反常识了。

它真正的用处，可能藏在你想不到的角落

不过话说回来，类脑计算也不是没用的花架子。

它的优势太明显了：功耗极低，能在没有电源的地方待好几年，还能处理复杂的、不需要太精准的小任务。

比如你在长白山的原始森林里装个传感器，要待五六年，不能接电源，也不能频繁换电池——用类脑芯片的话，靠一块小太阳能板就能撑住，还能自己识别有没有偷猎的车辆碾过灌木，有没有松针上的温度异常到能引发山火，不用把海量的原始数据传回千里之外的基站，省流量还省能耗。

再比如植入人体的脑机接口芯片，要是用类脑的架构，功耗低，不会发热，对脑组织的伤害就小很多——毕竟你总不想脑子里装个东西，天天像个小暖宝宝似的烫着吧？

它根本不是用来跟ChatGPT抢饭碗的。

ChatGPT那种通用大模型，是“大而全”的巨人，什么都能聊，但费电，得放在数据中心里。类脑计算是“小而灵”的精灵，专挑那些大模型看不上的、犄角旮旯的小场景用，就像你用瑞士军刀开快递，比用大锤子好用多了。

上周再去那家老咖啡馆，那个工程师不在了，服务员说他搬去郊区的实验室了，留了个便签在他常坐的位置上——画了个歪歪扭扭的神经元，旁边写了个小小的“100亿”。

哦，他之前说过，下一个目标，是做能模拟100亿个突触的芯片。

离人脑的860亿，还差得远呢。

但好歹，是个开始。