神经形态计算：从实验室原型到产业变革的前夜

编辑 | matrix

数十年来，科研人员一直致力于构建类脑计算机硬件，但这一领域尚未迎来真正的突破性进展。如今，领先的研究者认为，构建首个能解决实际问题的规模化神经形态设备的时机已然成熟。

从仿生启发的潜力到技术深层的差异

近年来推动人工智能进步的神经网络技术，虽从大脑中获得灵感，但其算法和硬件与生物神经元存在本质差异。神经形态工程师希望通过更精确模拟大脑工作机制，同时实现高效计算与超低能耗。

这一目标的核心在于采用脉冲神经网络（SNN）——其计算单元通过脉冲信号传递信息，而非传统神经网络中的数值计算。尽管学界与企业界兴趣日增，但多数实验仍停留在小规模阶段，尚未实现商业化突破。

今年 1 月发表于《 Nature》的论文指出，神经形态计算正从学术原型转向可应对现实挑战的成熟设备。

相关链接： https://www.nature.com/articles/s41586-024-08253-8

该论文的作者之一、ARM 微处理器首席设计师史蒂夫·弗伯（Steve Furber）在接受《IEEE Spectrum》专访时，分享了关于技术临界点、软硬件协同等关键议题的见解。

硬件基础就绪，亟需「杀手级应用」

弗伯指出，当前技术已能支持任意规模的脉冲神经网络运行，但行业迫切需要证明其实际价值的标志性应用。

以他主导的 SpiNNaker 项目为例，最初定位是为脑科学研究提供工具，但近年来逐渐转向工程应用。

与此同时，主流 AI 因大语言模型（LLM）的惊人能耗遭遇瓶颈，这为神经形态技术提供了机遇——通过模拟生物神经元的能效特性，或可显著降低计算成本。

目前，英特尔 Loihi 2 系统、曼彻斯特大学的百万核 SpiNNaker 架构等设备已具备大规模部署能力。弗伯的合作团队正推广 500 万核级系统，这些平台理论上可运行完整的大语言模型。

但关键问题在于：如何优化算法以充分发挥硬件潜能？

图示：SpiNNaker 团队组装了一个百万核神经形态系统。（来源：报道）

软件生态与协作壁垒的突破

硬件并非唯一挑战，高效软件工具的缺失制约着应用开发。

弗伯坦言，当前缺乏类似 TensorFlow 或 PyTorch 的高层设计工具，开发者仍需手动配置每个神经元参数。

欧盟「人类脑计划」推动的 PyNN 语言是重要进展，该框架已兼容 SpiNNaker 与海德堡大学的 BrainScaleS 系统。然而，多数实验室仍局限于自研平台，跨团队协作亟待加强。

英特尔通过 Lava 软件框架推动生态统一，但距离成熟生态仍有距离。弗伯强调，硬件底层差异可通过软件抽象层弥合，关键在于建立通用标准。

图示：SpiNNaker 团队的一名成员正在检查该公司的百万核计算机。（来源：报道）

生物合理性与工程实用性的权衡

关于神经形态系统应多大程度模拟生物特性，学界存在分歧。

弗伯认为，研究阶段的技术多样性有助于探索最优方案，但转向应用时需聚焦共性。例如，大语言模型仅需简单神经元模型，但若融入更多生物机制，可能显著降低神经元数量。这需要深入研究验证。

在忆阻器等新型器件引发热潮的背景下，弗伯提醒：底层技术创新固然重要，但系统级问题的优先级更高。现有平台已支持研究推进，过度聚焦器件可能分散资源。

规模化转折的信号与挑战

弗伯将当前视为「临界点」：初创企业的生存验证了资本信心，主流 AI 的能耗危机催生变革需求。一旦出现能效优势的实证案例，行业格局或将重塑。

神经形态计算是否真能开启新时代？答案或许就在未来几年的技术演进与应用突破中。

相关报道： https://www.nature.com/articles/s41586-024-08253-8