上个月绕了大半个城去江北的实验室蹭开放日，进门先撞了个愣。
玻璃柜里摆的那块指甲盖大的硅片，不像平时见的CPU那样亮得晃眼，表面是一层哑光的深灰色，凑近了能看见整整齐齐排着的细格纹，老师指着它说这上面，硬生生塞了120万个人造的神经突触。换做以前我肯定觉得这是营销话术，结果那天凑得太近，差点把鼻子贴到玻璃上，顺着老师指的方向看，那些细格纹真的像极了大脑皮层的切片纹理。
别拿“仿大脑”当噱头，它根本不是在跑程序
很多人第一次听类脑计算，第一反应是“哦，又是模拟大脑做AI的”。错得离谱。
现在我们用的所有计算机，不管是手机里的芯片，还是跑大模型的GPU，本质上都还是几十年前定下来的老架构——计算单元和存储单元是分开的。每次要算点什么，都得先把存在内存里的数据，一趟趟搬到计算核心，算完再把结果搬回内存存起来。这就离谱。相当于你每次算个1+1，都要先把题目从书桌上搬到几十米外的计算器那边，算完再把结果搬回来，来回跑的时间，比真正算数的时间多了上百倍，耗的电全花在搬东西上了。
类脑芯片走的是完全不一样的路。它的核心逻辑是存算一体的脉冲信号传递，就跟真的人脑似的——每个小小的单元，既能存信息，又能做计算，神经元之间靠短促的电脉冲传递信号，没有批量搬数据的损耗。我之前算过一笔账，现在跑一次人脸识别的能耗，差不多是人脑完成同样识别任务能耗的10万倍，这哪是智能，这是纯纯的“暴力堆料”。
那天在实验室看演示，这块芯片跑视觉识别的功耗，只有同精度传统芯片的二十分之一。博后说最夸张的测试，是把芯片放到纽扣电池上，连着摄像头跑了三个多月，电池还没见掉电。
那些被吹上天的“类脑”，其实大多还在“学眨眼”
说实话，我之前也被网上的文章忽悠过，以为类脑计算马上就要取代GPU，把所有跑大模型的服务器全给换了。结果跟博后在楼下吃皮肚面聊了一下午，才知道现在的技术，离那个目标还差得远。
现在的类脑芯片，能做的事真的很有限。比如模拟小鼠的嗅觉皮层，能比传统的气体传感器更早闻到微弱的煤气泄漏味道；比如做个小的视觉模块，能识别摄像头里的异常移动——比如老人在家摔了，能直接发警报，不用把所有视频流都传到云端算；甚至能模拟果蝇的神经回路，让个巴掌大的小无人机在房间里飞，不撞墙。
但你要让它跑个千亿参数的大模型？纯纯为难人。
博后吐槽说上个月有个做消费电子的厂商找过来，张嘴就问能不能把类脑芯片装到手机里，让手机续航翻十倍。他当时差点把手里的皮肚面喷出来——就现在的技术成熟度，装是能装，但是你要拿它刷短视频、修图，那卡得能让你想砸手机。现在的类脑芯片更像个偏科生，对那种需要实时反应、低功耗的小任务特别擅长，真要干重活，还是得靠老架构的芯片。
别等着它来颠覆世界，先想想它能解决什么小问题
我见过太多写类脑的文章，一上来就扯什么“十年后实现通用人工智能”“彻底取代传统计算机”，看得人尴尬得脚趾抠地。真没那么神。
也没那么差。
它现在能解决的，都是些以前大家觉得不值得花大成本做的小问题。比如深山里的野生动物红外相机，以前的相机要拍了照片全传回来，电池三个月就没电，护林员得跑几十公里的山路去换电池。要是换成类脑芯片，能在本地就识别“这是不是要监测的东北豹”，只把拍到目标的照片传回来，电池能用五六年。比如工业流水线的振动传感器，以前要把所有振动数据都传到服务器分析，占带宽不说，还容易因为网络延迟漏判故障，现在用类脑芯片，直接在传感器上就能识别轴承是不是要坏了，不用占网络带宽，也省电费。
这些事，不大。
但足够实在。
很多人总盼着某个技术一出来就把整个世界掀个底朝天，却不知道真正能留下来的技术，都是先从解决那些没人愿意花大力气做的小问题开始，慢慢长出来的。就像当年GPU刚出来的时候，也只是个能跑3D游戏的破芯片，谁能想到十几年后它成了整个AI产业的命根子。
那天从实验室出来，走在江边的步道上，风一吹，突然觉得挺有意思的。我们追了几十年的计算机技术，从最早占满整个屋子的大柜子，到现在揣在兜里的超薄手机，一直想着怎么把计算做得更快，算力堆得更高，结果走到现在，发现隔壁那条路上，有人学着大脑的样子，慢悠悠地走了另一条路。
快有快的好处。
慢也有慢的道理。
说不定再过个十年，我们现在用的这些耗电大怪兽，反倒成了博物馆里的老古董。
作者|科技
排版|科技
审核|小北