过去 70 年，芯片的算力增长几乎全部来自同一条路线：把晶体管做得更小、集成度做得更高。但这条路正走到物理极限。当晶体管尺寸逼近原子级别，漏电流、量子隧穿、发热问题开始让传统架构难以为继。科学家开始换一种思路：不再追求“更像一台计算机”，而是“更像一个大脑”。
这就是神经形态芯片（Neuromorphic Chip）——一种模仿生物神经元和突触工作机制的新型处理器。它不靠高速时钟和复杂指令集，而是把“计算”和“记忆”放在同一个单元里，事件驱动、按需响应。听起来像概念演示，其实这条路线已经走过了二十年。
一、从“冯·诺依曼瓶颈”到“存算一体”
传统计算机遵循冯·诺依曼架构，计算单元和存储单元是分开的。数据在 CPU、内存、硬盘之间来回搬运，耗能巨大、延迟明显。生物大脑则不同：每个神经元既是计算者也是记忆者，突触的连接强度本身就是“数据”。
神经形态芯片的关键设计，就是把这种“存算一体”的思路搬进硅基电路。最经典的结构是 1990 年代 Carver Mead 提出的“神经形态工程”：用模拟电路模仿神经元的脉冲发放，用可调电阻（memristor）模仿突触可塑性。这样一来，每一次信息处理几乎不需要搬运数据，能效比传统架构高出几个数量级。
二、为什么现在重新被点燃
过去几年，这项技术突然进入主流视野，原因主要有三个。第一，传统 AI 模型的能耗问题越来越严重。一块 GPU 跑大模型动辄数百瓦，部署到边缘设备根本撑不住；而神经形态芯片在低功耗场景下天然有优势。第二，类脑算法本身在进步。脉冲神经网络（SNN）、事件相机（Event Camera）、类脑视觉算法等都在快速成熟，硬件有了用武之地。第三，新材料让“模仿突触”不再是纸面概念——相变存储器、阻变存储器、铁电晶体管等器件已经在实验室里跑出可重复的结果。
2024 年，英特尔发布的 Hala Point 是目前规模最大的神经形态系统，集成 11.5 亿个“神经元”，比上一代 Loihi 2 提升 12 倍。它的目标很明确：让人工智能推理摆脱数据中心的高能耗束缚，向边缘和终端设备下沉。
三、它能做什么，传统芯片做不到
神经形态芯片最擅长的，是那些“低数据率、长时间在线、对延迟敏感”的任务。比如：可穿戴健康设备需要 7×24 小时监测心电、脑电信号，但每次采样数据量很小，传统处理器要持续保持高频率唤醒，能耗根本压不下来。神经形态芯片可以做到“事件触发”——只有异常信号到来时才启动计算，平时几乎零功耗。
另一个典型场景是自动驾驶和工业视觉。事件相机只捕捉像素变化（运动），输出的是稀疏的事件流，与神经形态芯片天然匹配。系统不需要每帧处理整张图像，只需对“变化”做反应，这极大降低了数据吞吐压力。
在机器人触觉、嗅觉传感器上，神经形态架构同样被寄予厚望。模仿生物感觉神经的稀疏编码方式，让机器人能更高效地处理多模态、低信噪比的真实世界信号。
四、仍未跨过的几道坎
但它远未到“取代 GPU”的阶段。最现实的挑战是软件生态。传统深度学习框架（PyTorch、TensorFlow）是面向稠密矩阵运算设计的，与脉冲神经网络的稀疏、异步特性不匹配。算法工程师需要重新学一套工具链，开发成本目前远高于收益。
其次是精度问题。模拟电路的神经形态芯片能效最高，但精度有限；数字脉冲实现则牺牲了部分能效优势。如何在精度、功耗、灵活性之间找到工程上的平衡点，是各家厂商仍在博弈的难题。
此外，标准化与产业协同也刚刚起步。Intel 的 Loihi、IBM 的 TrueNorth、Samsung 的 NeuriM、西门子的 BrainScaleS，各有各的架构和工具，互不兼容。没有统一标准，规模化的应用就只能停留在“试点”层面。
五、未来 5 年，最值得关注的三个方向
一是与 LLM 的结合。研究者正在探索“传统 GPU + 神经形态协处理器”的混合架构，让脉冲网络负责低功耗的感知前端，大模型负责高层推理。这种分工可能比“全面替代”更现实。
二是机器人端侧智能。随着人形机器人走入工厂和家庭，端侧算力将成为瓶颈。神经形态芯片的低功耗、低延迟特性，正好适合机器人的感知-运动闭环。
三是基础科学的反向启发。人类大脑只消耗约 20 瓦，却能完成任何超级计算机都望尘莫及的任务。我们至今没完全理解大脑的工作机制，而神经形态芯片在工程上的每一次突破，也在反过来帮我们理解“智能本身是什么”。
参考资料：Intel Hala Point 技术报告、Nature Electronics 2024 神经形态综述、Carver Mead《Neuromorphic Engineering》经典论文。