在当今科技日新月异的时代背景下，类脑计算——这一脑科学与人工智能深度融合的前沿技术，正逐步揭开其神秘面纱，预示着人类智能与机器智能深度融合新时代的到来。这项技术不仅有望重塑人与世界的交互模式，更将深刻改变我们对智能的认知边界。

类脑计算，作为脑科学与人工智能交叉融合的产物，其核心在于借鉴大脑的神经结构和信息处理机制，旨在构建一种更为高效、智能的计算系统。通过模拟大脑的神经元网络和突触可塑性，类脑计算致力于实现机器像大脑一样思考和学习，从而实现对复杂信息的并行处理和自适应学习。

脑虎科技创始人兼CEO彭雷在接受采访时指出，长远来看，脑机接口研究的终极目标是实现AI（人工智能）与HI（人类智能）的深度融合，探索一种更高效、更直接的人类与机器交互方式，而类脑计算正是这一愿景实现的关键路径之一。

类脑计算：开启下一代人工智能网络的新篇章——低能耗，高效率

当前，由ChatGPT引领的人工智能浪潮，基于人工神经网络（ANNs）架构，在语言理解、生成及推理方面取得了显著突破。然而，这一突破的背后，是对算力需求的急剧增长。受限于硬件供应，人工智能的进一步发展正面临“算力荒”的瓶颈。因此，优化运行效率、降低计算资源消耗，成为人工智能未来发展的关键方向。

事实上，人工神经网络虽然受大脑启发，但在结构、神经计算和学习规则上与大脑的生物神经网络存在根本差异。大脑的神经元连接稀疏，每个神经元仅与少数其他神经元相连，这种稀疏连接方式使得大脑能够在低能耗下高效处理信息。相比之下，人工神经网络通常采用完全连接方式，导致能耗极高。

以GPT-3模型为例，其训练过程需消耗约1287兆瓦时（128.7万度）电力，相当于美国约121个家庭一年的用电量。而大脑的总功耗仅为20瓦左右，却能运行复杂庞大的神经网络。这意味着，如果人工神经网络能模仿大脑的稀疏连接方式，将大幅降低能耗。类脑计算，正是通过模拟生物大脑的工作方式，为实现低功耗、低成本且能实时在线学习的人工智能系统提供了新途径。

脉冲神经网络（SNN）作为类脑智能的核心计算架构，其工作原理更接近生物神经元的信号传递方式，以脉冲形式和时间序列信息进行通讯，支持异步且稀疏的事件驱动方式。相较于人工神经网络（ANN），脉冲神经网络具有显著的低能耗优势。

类脑计算的核心目标是学习生物神经系统的结构、功能和机制，进而构建相应的计算理论、芯片体系结构以及应用模型与算法。不同于传统冯·诺依曼存算分离的特性，类脑计算基于仿生的脉冲神经元实现信息的高效处理，具有低功耗、低延迟的技术优势，在边缘计算、实时控制等领域展现出广泛的应用价值和潜力。

关键硬件突破：类脑芯片仍面临挑战

类脑计算的技术发展依赖于硬件平台、软件平台、模型算法和基准数据的协同设计和应用。其中，硬件平台的核心在于神经形态芯片和新型存储器。

传统深度学习芯片基于冯·诺依曼架构，专注于对ANN的执行优化，追求“更快”。而神经形态芯片则采用非冯·诺依曼分散式多核架构，每个核心将计算与内存紧密耦合，追求“更省”，即能效比。

新型存储器主要指忆阻器，其结构简单、集成密度高，理论上可实现神经突触功能，是硬件层面实现类脑神经网络的高效方式之一。目前，神经形态芯片可分为仅支持SNN架构和支持SNN与ANN混合计算架构两大类。其中，达尔文芯片、天机芯、领启KA200等由国内顶尖高校和科研机构牵头研发。

然而，神经形态芯片虽具优势，但取代传统深度学习芯片仍为时过早。人类对大脑架构和功能的不完全理解增加了研发难度和成本；同时，现有技术难以同时满足高性能和低功耗要求，大规模突触阵列的实现也面临器件设计和集成复杂度的限制。短期内，神经形态芯片制造成本高，生态系统尚未成熟，大规模推广仍面临挑战。

中国移动集团首席专家钱岭表示，类脑计算目前仅适用于实时处理和低功耗计算等特定领域，且大都处于实验室阶段，离大规模实用化尚有距离。

类脑计算下游应用前景广阔

尽管类脑计算仍处于早期阶段，但随着人工智能技术的不断成熟和普及，其作为传统计算的高能效替代方案，正展现出推动人工智能时代下一波浪潮的巨大潜力。

据产业研究机构预测，2022年全球类脑计算芯片市场规模约为1.78亿元人民币，中国市场规模也相当可观，并呈现出快速增长趋势。预计到2030年，中国类脑计算芯片市场规模将接近98亿元人民币（约14亿美元）。

随着类脑芯片技术突破和大规模仿真平台的构建，类脑计算的下游应用将从低维度信息处理和高速视觉处理向端侧可穿戴设备、摄像头和终端设备拓展。在医疗领域，类脑计算可用于治疗神经系统相关疾病并帮助残疾人士恢复行动能力；在智能家居、自动驾驶、机器人等领域，类脑计算也将发挥重要作用。未来，在复杂环境中的实时决策能力将成为类脑计算的重要应用方向，在无人机和自动驾驶领域展现出广阔前景。

（文章来源：第一财经）