2023年，英特尔低调发布了第二代Loihi芯片。与常规CPU或GPU不同，这款芯片内部没有传统的时钟周期，不做矩阵乘法，不用反向传播——它运行的是”脉冲神经网络”（Spiking Neural Network, SNN），一种模仿生物大脑神经元放电方式的奇特计算模式。一块Loihi 2芯片上集成了100万个”人工神经元”和1.2亿个”突触”，运行某些AI任务时的能效是传统GPU的1000倍。
这听起来像科幻小说，但它正在成为现实。神经形态计算——这个诞生于1980年代末的概念——正在从实验室走向商业化。
大脑的计算哲学
要理解为什么我们需要神经形态芯片，先要理解大脑和传统计算机的根本差异。你的大脑约有860亿个神经元，每个神经元通过突触与大约1000个其他神经元连接。但大脑的”计算”方式与传统计算机截然不同：
异步而非同步。 计算机按统一的时钟周期运作（你手机CPU的3GHz意味着每秒30亿个时钟周期）。大脑没有中央时钟——每个神经元独立决定何时”放电”，这种”事件驱动”的方式极大地节省了能量。
稀疏而非密集。 任何时候，你的大脑只有极少部分神经元在活跃——大约1-2%。而传统GPU在进行神经网络推理时，几乎整个芯片都在运转。
存算一体而非分离。 计算机的冯·诺依曼架构将存储和计算分离——数据在内存和处理器之间来回搬运（这是著名的”冯·诺依曼瓶颈”）。大脑的突触既是存储单元也是计算单元——记忆和处理是同一回事。
脉冲而非连续。 传统神经网络的”神经元”输出的是连续数值（如0.76）。真实神经元输出的是”全或无”的电脉冲（spike），信息编码在脉冲的时间模式中——什么时间放电、以什么频率放电。
脉冲神经网络：时间的维度
神经形态芯片的核心理念是直接在硬件层面模拟脉冲神经网络。一个脉冲神经元的行为可以简化为：接收来自其他神经元的脉冲输入，这些输入使”膜电位”积累，一旦达到阈值就自身发放一个脉冲，然后膜电位在短暂的不应期后重置。
这个看似简单的模型打开了全新的可能性。因为信息编码在脉冲的时间模式中——两个脉冲的间隔、一组脉冲的节奏——SNN天然适合处理时序数据：语音、视频、传感器流。在传统深度学习中，你需要专门设计RNN或Transformer来处理时间维度；而在SNN中，时间本身就是计算的原生维度。
更令人兴奋的是脉冲时间依赖可塑性（STDP）——一种受生物启发的学习规则。如果一个神经元A反复在神经元B放电之前放电，A→B的突触连接就会增强；如果A在B之后放电，连接就会减弱。这种”先因后果”的时序逻辑——不需要标签、不需要反向传播——是大脑学习的核心机制之一，也是神经形态芯片最令人期待的计算范式。
赛道上的玩家们
英特尔的Loihi 2是目前最成熟的通用神经形态芯片。每颗芯片拥有128个神经形态核心，每个核心可配置为8192个神经元，支持可编程的学习规则，并允许芯片间互连以构建更大系统。英特尔已向全球数十个研究机构提供了Loihi开发板。
IBM的TrueNorth（2014年发布）是早期的里程碑——一片芯片集成了100万个神经元和2.56亿个突触，功耗仅70毫瓦。它验证了大规模神经形态芯片的可行性，但IBM此后将重心转向了该项目的衍生技术。
欧洲的SpiNNaker项目（曼彻斯特大学）采用不同的技术路线——用大量ARM处理器核模拟脉冲神经网络，以百万核心的规模运行实时生物脑模拟。中国的SynSense（时识科技）专注于超低功耗的神经形态视觉芯片——他们开发的”DynapCNN”芯片可以在微瓦级别功耗下完成实时物体识别，功耗是传统方案的千分之一。
从实验室到产品：应用在哪里？
神经形态计算最大的优势是能效，最大的短板是软件生态。目前的深度学习软件栈（PyTorch、TensorFlow、CUDA）经过了十五年优化，而神经形态的编程工具链仍处于早期阶段。
但在特定场景中，优势已经显现。边缘AI——需要在设备端完成实时推理的处理场景（无人机避障、工业传感器、可穿戴设备）——是神经形态芯片最自然的战场。在功耗和延迟敏感的场景中，能效提升1000倍是革命性的。机器人控制——需要实时响应传感器输入、协调多自由度运动的场景——SNN的事件驱动特性天然匹配。嗅觉和触觉传感——”电子鼻”和”电子皮肤”产生的数据本身就是稀疏脉冲式的时序信号，与神经形态芯片的架构高度吻合。
英特尔预计，到2030年前后，神经形态计算将进入更主流的计算场景。随着摩尔定律的放缓和传统芯片功耗墙的逼近，重新思考计算的底层范式不再是一种学术好奇心，而是一种实用需求。
神经形态芯片的终极魅力不在于它”比GPU更快”，而在于它提醒我们：硅基智能不必然要模仿人类的符号推理能力——它也可以从最底层的物理原理出发，重走一遍生物演化的路。