你的大腦和 GPU，誰更省電？聊聊神經形態晶片的野心

一個讓工程師崩潰的事實

你的大腦大概重 1.4 公斤，功耗約 20 瓦——差不多就是一個 LED 燈泡的水準。

而訓練一個大型語言模型？動輒需要上千塊 GPU，吃掉幾兆瓦的電力，電費帳單能讓 CFO 當場心梗。

這個對比其實挺離譜的。人腦用一個燈泡的能量就能處理視覺、語言、情感、運動協調、還能邊走路邊想今晚吃什麼。GPU 叢集燒著一個社區的電，才剛學會把貓和狗分清楚。

所以有一群研究者就想了：既然大腦這麼厲害，我們能不能照著大腦的方式來造晶片？

這就是今天要聊的——神經形態晶片（Neuromorphic Chips）。

先搞清楚：傳統晶片在幹嘛

我們現在用的 CPU 和 GPU，本質上都是馮·諾依曼架構的後代。簡單說就是：儲存是儲存，運算是運算，資料要在兩邊來回搬運。

這個架構用了快 80 年，確實很通用。但它有個致命問題——資料搬運本身就很耗能。你可以把它想像成一個工廠，工人做事很快，但零件倉庫在隔壁棟，每次取料都得跑一趟。工人累不累先不說，光是這個來回跑就浪費了大量時間和能量。

這就是所謂的「馮·諾依曼瓶頸」。GPU 之所以能加速 AI 運算，是因為它有很多很多工人可以同時做事（平行運算），但本質上那個「倉庫在隔壁棟」的問題並沒有解決。

大腦不是這麼幹的

你的大腦裡有大約 860 億個神經元，透過突觸相互連接。關鍵的區別在於：大腦的儲存和運算是合在一起的。

每個突觸既是資料的儲存位置，也是運算發生的地方。不需要來回搬運。神經元之間透過電脈衝（spike）通訊，而且只在需要的時候才發射訊號——沒事幹的神經元就安安靜靜待著，不耗電。

這就像一個分散式的工廠，每個工人自帶工具箱和原物料，需要的時候做事，不需要的時候睡覺。沒有倉庫，沒有搬運工，沒有來回跑的浪費。

效率差距有多大？打個比方，如果把人腦的算力等效換算成傳統電腦來模擬，估計需要幾十兆瓦的功耗。但大腦實際只用了 20 瓦。效率差了大概百萬倍的量級。

神經形態晶片：抄大腦的作業

神經形態晶片就是試圖在矽片上模仿大腦的工作方式。目前比較知名的有幾個：

Intel Loihi 2：英特爾的研究晶片，包含 100 萬個「數位神經元」，支援片上學習。2021 年推出第二代，據說能效比傳統方案好 1000 倍（特定任務下）。
IBM TrueNorth：IBM 在 2014 年就搞出來的，有 100 萬神經元和 2.56 億突觸，功耗只有 70 毫瓦。沒錯，毫瓦級別。
SynSense（時識科技）的 Speck：這是一家有中國背景的公司做的，晶片只有指甲蓋大小，功耗不到 1 毫瓦，主打邊緣端的視覺處理。
BrainChip Akida：澳洲公司做的，已經商用化了，主要用在邊緣 AI 場景。

這些晶片有幾個共同特點：

事件驅動：不像傳統晶片那樣按時脈週期一刻不停地運轉，而是「有事才動」。偵測到輸入變化才啟動相關電路，其他時候省著。
存算一體：運算和儲存放在一起，減少資料搬運。
大規模平行：模仿大腦的平行處理方式，成千上萬的小單元同時工作。
超低功耗：因為上面三個特點加在一起，能耗可以做到極低。

能幹嘛？不能幹嘛？

先說能幹嘛。

神經形態晶片特別適合感知類任務——就是那些大腦本來就擅長的事情：影像辨識、聲音處理、觸覺感知、異常偵測。尤其是在功耗和延遲要求極高的場景，比如：

智慧感測器：一個安防攝影機如果用神經形態晶片做本地處理，可以做到永遠在線但幾乎不耗電，只在偵測到異常時才觸發報警。
穿戴裝置：助聽器、智慧手錶這些靠電池活著的東西，功耗就是命。
機器人：即時感知環境並做出反應，延遲要求是毫秒級的。
自動駕駛邊緣處理：在車端做即時的障礙物偵測，不能靠雲端，得本地算。

再說不能幹嘛——至少現在還不太行。

訓練大語言模型這種事，神經形態晶片目前搞不定。原因很簡單：現在的大模型訓練依賴的是大規模矩陣運算，這恰好是 GPU 最擅長的。神經形態晶片的強項是推理和感知，不是暴力運算。

而且，開發生態幾乎為零。GPU 有 CUDA，有 PyTorch，有整個深度學習社群的工具鏈。神經形態晶片？每家的架構都不一樣，開發方式完全不同，開發者社群小得可憐。

這其實是個雞生蛋的問題：沒有好的工具 → 沒人用 → 沒人開發工具 → 更沒人用。

2025-2026 年的進展

不過事情在變化。

2025 年，Intel 的 Loihi 2 開始在一些研究機構落地。有團隊用它做即時的腦機介面訊號處理，延遲只有微秒級別，傳統方案根本做不到這個速度。

學術界也越來越熱鬧。脈衝神經網路（SNN）作為神經形態晶片的原生演算法框架，訓練方法在近兩年有了不少突破。以前 SNN 很難訓練，因為脈衝訊號是離散的，沒法直接用反向傳播。現在有了替代梯度（surrogate gradient）等方法，訓練效果正在逼近傳統深度網路。

還有一個有趣的方向：把神經形態晶片和傳統 GPU 混著用。GPU 負責訓練和重型運算，神經形態晶片負責邊緣端的即時推理。這種混合架構可能是近期最務實的落地路徑。

一個更大的問題

AI 的能耗問題已經不是技術細節了，是戰略問題。

有機構估算，到 2027 年，全球 AI 相關的電力消耗可能超過整個荷蘭的用電量。訓練一次 GPT-4 級別的模型，碳排放大約等於一輛汽車開 50 萬公里。

這個趨勢顯然不可持續。要嘛我們找到更多的電（核電、再生能源），要嘛我們讓運算本身更高效。

神經形態運算指向的是後者——從根本的運算範式上提升效率，而不是在現有架構上修修補補。

當然，這條路還很長。從實驗室到大規模商用，可能還需要 5-10 年。但方向是清晰的：未來的晶片，會越來越像大腦。

所以呢？

下次你覺得自己腦子不好使的時候，想想這個事實：你那個 20 瓦的肉質處理器，在能效比上依然碾壓地球上最強的超級電腦。

人類花了幾十年才剛開始理解大腦運算的精妙之處，而照著抄作業的晶片才剛起步。

不過話說回來，大腦也有大腦的問題——比如它會拖延、會焦慮、會在 deadline 前一天才開始做事。這些 bug，GPU 可沒有。

所以最終的答案可能不是「大腦還是晶片」，而是怎麼讓兩者各自發揮所長。畢竟，最好的工具組合，往往不是找一個萬能的，而是讓每個工具做自己最擅長的事。

SFD 編者註

神經形態運算是 SFD 實驗室持續關注的方向之一。雖然現在大家的注意力都在大模型上，但我們覺得運算架構層面的創新同樣值得關注。畢竟，如果底層的運算效率能提升幾個數量級，上層的應用想像空間就完全不一樣了。這篇文章做了比較粗線條的科普，對具體技術細節有興趣的朋友，推薦去看看 Intel Loihi 和 SynSense 的技術部落格，寫得都蠻通俗的。