你的大脑和 GPU，谁更省电？聊聊神经形态芯片的野心

一个让工程师破防的事实

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

而训练一个大语言模型呢？动不动就要上千张 GPU，吃掉好几百万瓦的电力，电费账单能让 CFO 当场心脏骤停。

这个对比说实话挺荒诞的。人脑用一颗灯泡的电，就能处理视觉、语言、情绪、运动协调——还能一边走路一边想晚上吃什么。GPU 集群烧掉一整个街区的电，才刚学会分辨猫和狗。

于是有一群研究者开始琢磨：既然大脑这么高效，我们能不能造一颗按大脑方式工作的芯片？

这就是今天要说的主角——神经形态芯片（neuromorphic chips）。

先搞清楚传统芯片在干嘛

我们今天用的 CPU 和 GPU，本质上都是冯·诺依曼架构的后代。简单说：内存是内存，计算是计算，数据得在两边来回搬。

这套架构跑了快 80 年，确实非常通用。但它有个致命缺陷——搬数据这件事本身就极耗电。你可以想象一家工厂，工人手速很快，但零件仓库在隔壁楼。每次取料都要跑一趟。先不说工人累不累，光是这个来回就已经浪费了大量时间和精力。

这就是所谓的「冯·诺依曼瓶颈」。GPU 之所以能加速 AI 计算，是因为它有海量工人可以同时开工（并行计算），但那个「仓库在隔壁楼」的问题本质上并没有解决。

大脑不是这么运作的

你的大脑里大约有 860 亿个神经元，通过突触互相连接。关键差异在于：大脑里，存储和计算发生在同一个地方。

每个突触既是数据的存放点，也是计算发生的地方。不需要来回搬。神经元之间通过电脉冲（spike）通信，而且只在需要的时候才发放信号——闲着没事的神经元就安静待着，不耗电。

这就像一座分布式工厂，每个工人自带工具箱和原材料。需要时开工，不需要时睡觉。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硬件来模拟，估计需要几千万瓦的功耗。而大脑实际只用了 20 瓦。效率差的是百万倍这个量级。

神经形态芯片：抄大脑的作业

神经形态芯片试图在硅片上模仿大脑的运作方式。目前比较知名的几个：

Intel Loihi 2：Intel 的研究芯片，塞进 100 万个「数字神经元」，支持片上学习。第二代 2021 年发布，据称在特定任务上能效比传统方案高 1000 倍。
IBM TrueNorth：IBM 早在 2014 年就做出了这块芯片——100 万神经元、2.56 亿突触，功耗只有 70 毫瓦。没错，毫瓦。
SynSense（时识科技）的 Speck：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，主打边缘侧视觉处理。
BrainChip Akida：澳大利亚公司的产品，已经商用化，主要用于边缘 AI 场景。

这些芯片有几个共同特点：

事件驱动：不像传统芯片按时钟周期一刻不停地转，而是「有事才动」。检测到输入变化才启动相关电路，其他时候能省则省。
存算一体：计算和存储放在一起，砍掉数据搬运。
大规模并行：模仿大脑的并行处理方式，成千上万个小单元同时工作。
超低功耗：上面三条叠在一起，能耗可以压到极低。

能做什么？不能做什么？

先说能做的。

神经形态芯片特别擅长感知类任务——就是大脑天生擅长的那些：图像识别、音频处理、触觉感知、异常检测。尤其是在功耗和延迟要求都极端的场景：

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，可以做到永远在线却几乎不耗电，只在发现异常时才触发告警。
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。
自动驾驶的边缘计算：车端实时障碍物检测，不能指望云端，必须在本地算。

再说不能做的——至少现在还不行。

训练大语言模型这种事，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大规模矩阵运算，而那恰好是 GPU 最擅长的。神经形态芯片的强项是推理和感知，不是暴力计算。

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，编程范式完全不同，开发者社区小到可以挤进一个电话亭。

这是个经典的鸡生蛋问题：没有好工具 → 没人用 → 没人开发工具 → 更没人用。

2025–2026 年的进展

不过事情正在起变化。

2025 年，Intel 的 Loihi 2 开始在一些研究机构落地。有团队用它做实时脑机接口信号处理，延迟做到了微秒级——传统方案根本追不上这个速度。

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，训练方法近两年突破不少。以前 SNN 难训，因为脉冲信号是离散的，没法直接用反向传播。现在有了替代梯度（surrogate gradient）这类方法，SNN 的表现正在逼近传统深度网络。

还有一个有意思的方向：把神经形态芯片和传统 GPU 混着用。GPU 负责训练和重计算，神经形态芯片负责边缘侧的实时推理。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 的能耗已经不是一个技术细节，而是一个战略问题。

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，碳排放大约相当于开车 50 万公里。

这个趋势显然不可持续。要么我们找到更多电（核电、可再生能源），要么我们让计算本身更高效。

神经形态计算指向的是后者——从计算范式层面根本性地提升效率，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？

下次你觉得自己脑子不太灵光的时候，记住这个事实：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算。

人类花了几十年才刚开始理解大脑计算的精妙之处，而照着抄作业的芯片才刚刚起步。

不过话说回来，大脑也有自己的毛病——比如它会拖延、会焦虑、会在 deadline 前一天才开始干活。这些 bug，GPU 可没有。

所以最终的答案大概不是「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，从来不是找一个万能的，而是让每个工具做自己最擅长的事。

SFD 编者按

神经形态计算是 SFD 实验室一直在紧盯的方向之一。虽然此刻所有人的注意力都在大语言模型上，但我们认为计算架构层面的创新同样值得关注。毕竟，如果底层计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同了。这篇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 Intel Loihi 和 SynSense 的技术博客，都写得相当平易近人。