立品牌之基
筑百年之石

当芯片学会“偷懒”:类脑计算想借大脑的省电秘籍

你有没有发现,手机上的语音助手越来越“机灵”了,但续航却没有明显变短?这背后其实有一场静悄悄的较量:怎么让芯片在更少的电里干更多的活。传统芯片的做法是“大力出奇迹”,而有一群研究者想换个思路——去向大脑偷师。这就是类脑计算。

大脑不靠“跑分”,靠“省着用”

人脑大约有 860 亿个神经元,功耗却只有 20 瓦左右,差不多一盏节能灯。相比之下,训练一个大模型动辄消耗几百万瓦。差别在于,大脑不是时刻在满负荷运算。神经元只在收到足够强的信号时才“放电”,平时安安静静。这种工作方式叫“事件驱动”或“脉冲”。传统芯片像一支 24 小时待命的施工队,不管有没有活都开着机器;类脑芯片更像一群待命的工匠,有订单才开工。

另一个关键:大脑里计算和存储是长在一起的。突触既是连接,也是记忆。传统计算机的冯·诺依曼架构把存储和计算分开,数据来回搬运,既慢又费电。类脑计算试图把“存”和“算”揉在一起,减少搬运。

它到底长什么样?

举两个真实存在的例子。英特尔的 Loihi 芯片,每个核心模拟一组神经元,多个芯片能像拼图一样连起来。清华的“天机芯”则尝试把类脑芯片和传统芯片放在同一块板上,让它们各干各的擅长的事。还有公司做“神经形态传感器”,比如事件相机:普通相机每秒拍几十帧,不管画面有没有变化;事件相机只记录像素亮度变化的时刻,输出一串“谁在什么时候动了”的信号。用在无人机避障上,反应快,数据量还小。

一些已经能看到的方向:

  • 无人机和机器人:低延迟避障、姿态控制;
  • 智能家居:始终在线的语音唤醒、异常声音检测;
  • 可穿戴设备:运动模式识别,本地处理,不必上传云端;
  • 边缘计算:工厂里的振动监测、设备预测性维护。

听起来很美,为什么还没普及?

短板也很实在。第一,编程难。传统深度学习有成熟的框架,类脑芯片往往要重新学一套“脉冲编码”的写法。第二,精度和通用性。在图像分类等任务上,脉冲神经网络还追不上传统深度学习。第三,生态碎片化。各家芯片架构不同,算法很难直接搬家。

这里要破除一个常见误会:类脑计算不等于“复制大脑”。它更多是借鉴大脑的某些组织原则,比如稀疏、事件驱动、存算一体,而不是造一个会思考的脑。它也不一定比 GPU 快,只是在特定任务上可能更省电、更及时。

未来会怎样?

它未必会取代现在的芯片,更像是一种补充。在需要一直在线、又只能用纽扣电池的设备里,类脑计算有机会。也许几年后,你家里的烟雾报警器、门锁、耳机里就藏着一颗“仿生”芯片,默默干活,不吵不闹。到那时,它可能不会上热搜,但已经在你身边。

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:当芯片学会“偷懒”:类脑计算想借大脑的省电秘籍
文章链接:https://www.nusanedannualreport.com/tech/t19uorci.html