你的大脑和 GPU，谁比较省电？来聊聊神经形态芯片的野心

一个让工程师崩溃的事实

你的大脑大概重 1.4 公斤，功耗大约 20 瓦——差不多就是一颗 LED 灯泡的程度。

而训练一个大型语言模型呢？动不动就要上千张 GPU，吃掉好几百万瓦的电力，电费账单可以让财务总监当场心脏病发。

这个对比其实挺扯的。人脑用一颗灯泡的电量就能处理视觉、语言、情感、动作协调，还能边走边想今天晚餐吃什么。GPU 集群烧掉一整个社区的电，才刚学会分辨猫跟狗。

所以有一群研究者就在想：既然大脑这么厉害，我们能不能照着大脑的方式来做芯片？

这就是今天要聊的——神经形态芯片（Neuromorphic Chips）。

先搞清楚：传统芯片在干嘛

我们现在用的 CPU 和 GPU，本质上都是冯·诺依曼架构的后代。简单说就是：内存是内存，运算是运算，数据要在两边搬来搬去。

这套架构用了快 80 年，确实非常通用。但它有一个致命问题——搬数据这件事本身就很耗电。你可以把它想象成一家工厂，工人做事很快，但零件仓库在隔壁栋，每次拿料都得跑一趟。工人累不累先不说，光是这个来回就跑掉大量时间和能量。

这就是所谓的「冯·诺依曼瓶颈」。GPU 之所以能加速 AI 运算，是因为它有非常多工人可以同时干活（并行计算），但本质上那个「仓库在隔壁栋」的问题并没有解决。

大脑不是这样运作的

你的大脑里有大约 860 亿个神经元，通过突触互相连接。关键的差异在于：大脑的存储和运算是在一起的。

每个突触既是数据的存储位置，也是运算发生的地方。不需要搬来搬去。神经元之间通过电脉冲（spike）沟通，而且只在需要的时候才发射信号——没事做的神经元就安安静静待着，不耗电。

这就像一座分布式的工厂，每个工人自带工具箱和原材料，需要的时候做事，不需要的时候休息。没有仓库，没有搬运工，没有来回跑的浪费。

效率差距有多大？打个比方，如果把人脑的算力等效换算成传统电脑来模拟，估计需要几千万瓦的功耗。但大脑实际只用了 20 瓦。效率差了大概百万倍的量级。

神经形态芯片：抄大脑的作业

神经形态芯片就是试图在硅芯片上模仿大脑的运作方式。目前比较知名的有几个：

Intel Loihi 2：Intel 的研究芯片，包含 100 万个「数字神经元」，支持芯片上学习。2021 年推出第二代，据说能效比传统方案好 1000 倍（在特定任务下）。
IBM TrueNorth：IBM 在 2014 年就做出来了，有 100 万个神经元和 2.56 亿个突触，功耗只有 70 毫瓦。没错，毫瓦级别。
SynSense（时识科技）的 Speck：这是一家有中国背景的公司做的，芯片只有指甲盖大小，功耗不到 1 毫瓦，主打边缘端的视觉处理。
BrainChip Akida：澳大利亚公司做的，已经商用化了，主要用在边缘 AI 的应用场景。

这些芯片有几个共同特点：

事件驱动：不像传统芯片那样按时钟周期一刻不停地运转，而是「有事才动」。检测到输入变化才启动相关电路，其他时候省着用。
存算一体：运算和存储放在一起，减少数据搬运。
大规模并行处理：模仿大脑的并行处理方式，成千上万的小单元同时运作。
超低功耗：因为上面三个特点加在一起，能耗可以做到极低。

能做什么？不能做什么？

先讲能做什么。

神经形态芯片特别适合感知类任务——就是那些大脑本来就擅长的事：图像识别、声音处理、触觉感知、异常检测。尤其是在功耗和延迟要求极高的场景，例如：

智能传感器：一台安防摄像头如果用神经形态芯片做本地处理，可以做到永远在线但几乎不耗电，只在检测到异常时才触发警报。
可穿戴设备：助听器、智能手表这些靠电池活着的设备，功耗就是命。
机器人：实时感知环境并做出反应，延迟要求是毫秒级别的。
自动驾驶边缘处理：在车端做实时的障碍物检测，不能靠云端，得在本地算。

再讲不能做什么——至少现在还不太行。

训练大型语言模型这种事，神经形态芯片目前搞不定。原因很简单：现在的大模型训练依赖的是大规模矩阵运算，而这恰好是 GPU 最擅长的。神经形态芯片的强项是推理和感知，不是暴力运算。

而且，开发生态几乎是零。GPU 有 CUDA，有 PyTorch，有整个深度学习社区的工具链。神经形态芯片呢？每家的架构都不一样，写法完全不同，开发者社区小得可怜。

这其实是个鸡生蛋的问题：没有好的工具→没人用→没人开发工具→更没人用。

2025-2026 年的进展

不过事情正在改变。

2025 年，Intel 的 Loihi 2 开始在一些研究机构落地。有团队用它做实时的脑机接口信号处理，延迟只有微秒级别，传统方案根本做不到这个速度。

学术界也越来越热闹。脉冲神经网络（SNN）作为神经形态芯片的原生算法框架，训练方法近两年有了不少突破。以前 SNN 很难训练，因为脉冲信号是离散的，没办法直接用反向传播。现在有了替代梯度（surrogate gradient）等方法，训练效果正在逼近传统深度网络。

还有一个有趣的方向：把神经形态芯片和传统 GPU 混着用。GPU 负责训练和重型运算，神经形态芯片负责边缘端的实时推理。这种混合架构可能是近期最务实的落地路径。

一个更大的问题

AI 的能耗问题已经不是技术细节了，是战略问题。

有机构估算，到 2027 年，全球 AI 相关的电力消耗可能超过整个荷兰的用电量。训练一次 GPT-4 级别的模型，碳排放大约等于一辆车开 50 万公里。

这个趋势显然不可持续。要么我们找到更多的电（核电、可再生能源），要么我们让运算本身更有效率。

神经形态运算指向的是后者——从根本的运算范式上提升效率，而不是在现有架构上修修补补。

当然，这条路还很长。从实验室到大规模商用，可能还需要 5 到 10 年。但方向是明确的：未来的芯片，会越来越像大脑。

所以呢？

下次你觉得自己脑袋不灵光的时候，想想这个事实：你那颗 20 瓦的肉质处理器，在能效比上依然碾压地球上最强的超级计算机。

人类花了好几十年才刚开始理解大脑运算的精妙之处，而照着抄作业的芯片才刚起步。

不过话说回来，大脑也有大脑的问题——比如它会拖延、会焦虑、会在截止日期前一天才开始动手。这些 bug，GPU 可没有。

所以最终的答案可能不是「大脑还是芯片」，而是怎么让两者各自发挥所长。毕竟，最好的工具组合，往往不是找一个万能的，而是让每个工具做自己最拿手的事。

SFD 编者注

神经形态运算是 SFD 实验室持续关注的方向之一。虽然现在大家的注意力都在大型语言模型上，但我们觉得运算架构层面的创新同样值得关注。毕竟，如果底层的运算效率能提升好几个数量级，上层的应用想象空间就完全不一样了。这篇文章做了比较粗线条的科普，对具体技术细节有兴趣的朋友，推荐去看看 Intel Loihi 和 SynSense 的技术博客，都写得相当平易近人。