新火種
2025-03-28 
神經形態(tài)計算：從實驗室原型到產業(yè)變革的前夜
編輯 | matrix
數(shù)十年來，科研人員一直致力于構建類腦計算機硬件，但這一領域尚未迎來真正的突破性進展。如今，領先的研究者認為，構建首個能解決實際問題的規(guī)模化神經形態(tài)設備的時機已然成熟。
從仿生啟發(fā)的潛力到技術深層的差異
近年來推動人工智能進步的神經網絡技術，雖從大腦中獲得靈感，但其算法和硬件與生物神經元存在本質差異。神經形態(tài)工程師希望通過更精確模擬大腦工作機制，同時實現(xiàn)高效計算與超低能耗。
這一目標的核心在于采用脈沖神經網絡（SNN）——其計算單元通過脈沖信號傳遞信息，而非傳統(tǒng)神經網絡中的數(shù)值計算。盡管學界與企業(yè)界興趣日增，但多數(shù)實驗仍停留在小規(guī)模階段，尚未實現(xiàn)商業(yè)化突破。
今年 1 月發(fā)表于《Nature》的論文指出，神經形態(tài)計算正從學術原型轉向可應對現(xiàn)實挑戰(zhàn)的成熟設備。
相關鏈接：https://www.nature.com/articles/s41586-024-08253-8
該論文的作者之一、ARM 微處理器首席設計師史蒂夫·弗伯（Steve Furber）在接受《IEEE Spectrum》專訪時，分享了關于技術臨界點、軟硬件協(xié)同等關鍵議題的見解。
硬件基礎就緒，亟需「殺手級應用」
弗伯指出，當前技術已能支持任意規(guī)模的脈沖神經網絡運行，但行業(yè)迫切需要證明其實際價值的標志性應用。
以他主導的 SpiNNaker 項目為例，最初定位是為腦科學研究提供工具，但近年來逐漸轉向工程應用。
與此同時，主流 AI 因大語言模型（LLM）的驚人能耗遭遇瓶頸，這為神經形態(tài)技術提供了機遇——通過模擬生物神經元的能效特性，或可顯著降低計算成本。
目前，英特爾 Loihi 2 系統(tǒng)、曼徹斯特大學的百萬核 SpiNNaker 架構等設備已具備大規(guī)模部署能力。弗伯的合作團隊正推廣 500 萬核級系統(tǒng)，這些平臺理論上可運行完整的大語言模型。
但關鍵問題在于：如何優(yōu)化算法以充分發(fā)揮硬件潛能？
圖示：SpiNNaker 團隊組裝了一個百萬核神經形態(tài)系統(tǒng)。（來源：報道）
軟件生態(tài)與協(xié)作壁壘的突破
硬件并非唯一挑戰(zhàn)，高效軟件工具的缺失制約著應用開發(fā)。
弗伯坦言，當前缺乏類似 TensorFlow 或 PyTorch 的高層設計工具，開發(fā)者仍需手動配置每個神經元參數(shù)。
歐盟「人類腦計劃」推動的 PyNN 語言是重要進展，該框架已兼容 SpiNNaker 與海德堡大學的 BrainScaleS 系統(tǒng)。然而，多數(shù)實驗室仍局限于自研平臺，跨團隊協(xié)作亟待加強。
英特爾通過 Lava 軟件框架推動生態(tài)統(tǒng)一，但距離成熟生態(tài)仍有距離。弗伯強調，硬件底層差異可通過軟件抽象層彌合，關鍵在于建立通用標準。
圖示：SpiNNaker 團隊的一名成員正在檢查該公司的百萬核計算機。（來源：報道）
生物合理性與工程實用性的權衡
關于神經形態(tài)系統(tǒng)應多大程度模擬生物特性，學界存在分歧。
弗伯認為，研究階段的技術多樣性有助于探索最優(yōu)方案，但轉向應用時需聚焦共性。例如，大語言模型僅需簡單神經元模型，但若融入更多生物機制，可能顯著降低神經元數(shù)量。這需要深入研究驗證。
在憶阻器等新型器件引發(fā)熱潮的背景下，弗伯提醒：底層技術創(chuàng)新固然重要，但系統(tǒng)級問題的優(yōu)先級更高。現(xiàn)有平臺已支持研究推進，過度聚焦器件可能分散資源。
規(guī)模化轉折的信號與挑戰(zhàn)
弗伯將當前視為「臨界點」：初創(chuàng)企業(yè)的生存驗證了資本信心，主流 AI 的能耗危機催生變革需求。一旦出現(xiàn)能效優(yōu)勢的實證案例，行業(yè)格局或將重塑。
神經形態(tài)計算是否真能開啟新時代？答案或許就在未來幾年的技術演進與應用突破中。
相關報道：https://www.nature.com/articles/s41586-024-08253-8
相關推薦
- 免責聲明
- 本文所包含的觀點僅代表作者個人看法，不代表新火種的觀點。在新火種上獲取的所有信息均不應被視為投資建議。新火種對本文可能提及或鏈接的任何項目不表示認可。 交易和投資涉及高風險，讀者在采取與本文內容相關的任何行動之前，請務必進行充分的盡職調查。最終的決策應該基于您自己的獨立判斷。新火種不對因依賴本文觀點而產生的任何金錢損失負任何責任。
