大讲堂凌晨三点，实验室没人。
一块芯片的功耗曲线趴在最低处，几乎是一条直线。摄像头对着空走廊，什么也没发生。它就那么待着，像睡着了。
然后有人从画面边缘走过去。几个毫秒之内，它醒了，处理完那一小团变化，又睡回去。
这不是未来学演讲里的场景。事件相机加神经形态芯片这套组合，实验室里已经跑了不少年。只不过它不太上新闻——因为它做的事情太“无聊”了：大部分时间什么都不干。
数据住在两个地方，这事一直挺别扭
我们现在的电脑，是冯·诺依曼那一套：计算单元和存储单元分家。要算一个数，得先从内存里把数搬到CPU，算完再搬回去。
问题出在搬。搬数据比算数据费电，而且费得多。芯片里那些漂亮的晶体管，很大一部分时间是在等数据，或者在排队等总线。
人脑不这么干。突触既是存储也是计算，权重就长在连接上，信号过来的时候直接在那根“线”上完成加权。整个大脑的功率大概二十瓦出头，跟一盏老式白炽灯差不多，还能一边看路、一边聊天、一边控制平衡。
这两件事摆在一起，就会让人忍不住想：能不能换个组织方式？
脉冲、稀疏、异步，说的其实是同一件事
先看最基本的差别。现在的神经网络里，神经元输出的是一个浮点数，0.73、2.15，密密麻麻地往下传。人脑里的神经元不干这个，它只决定发还是不发。发了是一个脉冲，没发就是安静。
这一下就把世界换了。
因为没发的那些神经元，是真的不用动。生物大脑里绝大多数神经元在绝大多数时间沉默——这叫稀疏。稀疏之后，电路就可以异步：不用等一个全局时钟滴答，谁有脉冲谁干活，干完就歇。省电的秘密在这儿，不在什么玄学材料。
硬件上有几条不同的走法。有的用数字CMOS老老实实搭脉冲电路，可控，但没那么省；有的往模拟电路上靠，想把乘加塞进基尔霍夫定律里；还有的盯着忆阻器、相变材料这类器件，让“存”和“算”长在同一块材料上。听着浪漫，实际上良率、一致性、漂移，全是坑。
容易走偏的几个地方
有人以为类脑计算就是造一个大脑。不是。它借的是组织方式——稀疏、事件驱动、存算一体——不是解剖结构。没人真去复刻皮层那几层。
另一个误解：以为必须彻底抛弃深度学习。现实里更多是混着用。清华那颗天机芯就是异构融合的思路，同一块芯片上，人工神经网络和脉冲神经网络各跑各的，需要哪个用哪个。
还有一种，我觉得误会最深：觉得它是来取代GPU的。短期内真不是。GPU擅长稠密、规整、大批量的矩阵运算。类脑芯片的甜区在另一头——传感器旁边、边缘设备上、需要常年开机却绝大多数时间无事发生的场合。
几条可以查的时间线
2014年，IBM放出TrueNorth，百万神经元级别的规模，当年挺轰动。但编程门槛高，真正用起来的人不多，热闹一阵就安静了。
差不多同期，曼彻斯特那边走了条“笨路”：用一大堆ARM核硬生生地实时模拟脉冲，SpiNNaker。2018年那台百万核的机器上线。笨是笨，但真能跑。
2019年8月，清华施路平团队的天机芯成了Nature封面。那颗芯片同时跑两类网络，还控制一辆自行车做平衡和避障。很多人是从那篇报道里第一次听说“类脑”这个词。
Intel的Loihi，2017年出来，2021年更新到Loihi 2，配套开源框架Lava，社区慢慢在长。近两年忆阻器存内计算的论文也在堆。
几个我被问烦了的问题
那它到底省不省电？
看场景。稀疏事件流下确实省，因为大部分单元根本没在动。可你让它跑稠密的矩阵乘法，它未必打得过一块成熟的GPU。省电的来源是“少干活”，不是魔法。
我能用Python写吗？
能，但手感不一样。你写的不是一行行顺序执行的指令，而是在描述一个网络和它的发放规则。调试的时候盯着脉冲栅格图，密密麻麻的点阵，靠眼睛找规律。说实话有点玄学，习惯了会上瘾。
什么时候手机里全是这玩意儿？
别急。工具链在补课，精度在补课，生态更是在补课。它更可能先在耳机、手表、机器人关节、车载感知这些地方悄悄冒头，你压根不知道它在那儿。
说点不讨喜的
这个词现在很容易变成PPT素材。贴上“颠覆”“革命”几个大字，然后没了下文。真在做的人其实挺安静的，天天调阈值、调权重、对着示波器看波形，一行行翻日志。
它的想象空间不在于一夜之间替代谁。
而在于——让机器在绝大多数什么都没发生的世界里，安安静静地待着。不巡检，不空转，不为了那个“万一有事”就把整条流水线烧着。
等到真有事的那一下，它醒过来。
那一醒，才是它值钱的地方。
作者|科技
排版|科技
审核|小北