大讲堂
上个月去苏州跑产业园，跟做工业视觉检测的老周蹲在厂区门口抽烟。
他说现在做的流水线缺陷检测，单台设备配的推理卡，一年的电费够养两个刚毕业的工程师。
我当时没接话。
毕竟这不是某一个厂商的问题——从云数据中心的GPU集群，到路边的监控摄像头，再到你手腕上的智能手表，所有的计算设备都在被同一个问题卡着：算得越来越快，电也耗得越来越多，很多时候大半的电根本没用来算东西，全浪费在数据搬来搬去的路上。
类脑计算就是在这种背景下被重新拽到台面上的。
先把类脑计算的边界划清楚：不是要做个“人工大脑”
很多人第一次听到类脑计算，第一反应是“要造个跟人一样聪明的机器”，真不是。
首先得把和传统计算的核心差异讲明白。现在我们用的所有芯片，不管是手机里的骁龙，还是数据中心的A100，本质上都是冯诺依曼架构的变种——计算单元和存储单元是完全分开的，哪怕是算一个极其简单的像素点亮度变化，也要先把存在内存里的像素值搬到计算核心，算完再把结果存回去，这个搬运过程消耗的能量，往往是实际计算本身的几十上百倍。
类脑计算的核心设计逻辑，就是抄生物大脑的作业：第一，把计算单元和存储单元做在一起，也就是常说的存算一体，不用来回搬数据；第二，不用传统神经网络那种“每帧都算、每点都传”的激活逻辑，改用脉冲神经网络——只有当输入的信号达到某个阈值的时候，神经元才会“放电”传个信号过去，没信号的时候，这个节点根本不耗电。
很多宣传里把这个东西吹得神乎其神，说要取代GPU做通用大模型，实际上现在的类脑芯片离这个目标差了十万八千里。公开测试数据里，同等精度的目标识别任务，部分类脑芯片的整机功耗能压到同算力GPU的1%甚至更低，但反过来算，要让它跑个和7B参数大模型差不多精度的任务，需要的芯片面积和成本，比主流的NPU高了至少一个数量级。
说白了，类脑计算从根上就不是为了追高算力设计的。它的核心优势是低功耗，不是高智能。
现在的类脑产业，卡在“叫好不叫座”的死循环里
国内的类脑研究其实起步不算晚。清华团队做的天机芯芯片，当年登上《自然》封面的时候，整个圈子都在说要弯道超车；后来英特尔推出Loihi系列的神经形态芯片，国内也陆续冒出来好几家做类脑芯片的初创团队，拿了不少融资。
但跑了快5年，你会发现整个行业还是没跳出那个怪圈：技术演示的时候效果惊艳，真要落地的时候没人敢买单。
卡脖子的地方根本不是芯片本身的性能，是生态。
现在所有的AI开发工具链，不管是PyTorch还是TensorRT，全是为传统的卷积神经网络、Transformer模型优化的。你要把原来跑在GPU上的视觉检测模型，搬到类脑芯片上，得先把整套模型转成脉冲神经网络的格式——转的过程中精度掉个10%-20%都是常事，工程师还要从头学脉冲编码的逻辑，相当于原来写Python的人，突然要转去写几十年前的汇编语言，学习成本高到离谱。
说实话，我前两年听类脑的发布会，总觉得台上的人自己都没想清楚要卖给谁。一会说要做通用AGI的计算底座，一会说要做智能耳机的降噪芯片，跨度大到像在听玄学。
定位模糊带来的直接后果就是，类脑芯片的成本一直降不下来。因为出货量太小，流片的成本摊不薄，一颗指甲盖大的类脑芯片，现在的成本差不多是同规模传统NPU的3-5倍。哪怕功耗确实低，客户算完账发现，买芯片多花的钱，够交十年的电费，谁会换？
真正能落地的场景，根本不是大家一开始想的那样
之前跟一个做类脑芯片的技术负责人私下吃饭，他说之前给投资人讲的PPT里，全是“颠覆通用计算”“实现人工意识”这种宏大叙事，真要找客户的时候，能拿到订单的场景，全是之前想都没想过的。
第一个跑通的场景，是完全无源的边缘感知节点。比如野外的红外野生动物监测摄像头，要靠太阳能板供电，连续在山里跑大半年，不能有人去换电池。传统的低功耗NPU，哪怕是休眠模式，一个月也要耗掉几毫安的电，碰到连续阴雨天，设备直接就停机了。类脑芯片就不一样，没检测到动物路过的时候，整个芯片的功耗能压到纳瓦级别，靠一块硬币大的太阳能板，就能连续跑一整个季度不用充电。
第二个场景，是工业现场的异常检测前端。比如流水线的振动传感器，原来的方案是每毫秒采一次振动数据，全传到主控电脑上做分析，费电不说，还占带宽。用类脑芯片做前端的话，能直接在传感器端把正常的振动信号过滤掉，只有当振动频率偏离正常范围的时候，才发个短消息给主控，整体功耗能降两个数量级。
之前有团队吹类脑能直接跑大模型推理，我上次跟他们的技术负责人聊，他私下说，那都是给投资人看的PPT，现在的类脑芯片连跑个量化后的7B模型都费劲，内存带宽差了几个数量级。
当然，这个技术路径也不是没有隐患。
首先是技术路线的不确定性。现在学界对脉冲神经网络的研究，本质上还是在“模仿”生物神经元的外在动作——我们知道神经元会放电，就照着做个放电的逻辑，但根本没搞懂人脑的学习机制到底是什么，记忆是怎么存储的，复杂的决策是怎么算出来的。相当于你照着蝙蝠的耳朵做了个雷达，但是根本没搞懂蝙蝠是怎么靠回声分辨出前面是蚊子还是老鹰的。这种情况下，类脑计算的性能上限到底在哪里，谁也说不准。
然后是伦理层面的模糊地带。类脑计算的很多研究是和神经科学深度绑定的，未来如果类脑芯片的计算逻辑越来越接近人脑的工作方式，会不会出现那种直接和人脑信号耦合的可穿戴设备？比如戴个智能眼镜，能直接读取你视觉皮层的信号，知道你在看什么，甚至知道你看到这个东西的时候的情绪反应。到时候隐私的边界在哪里，现有的监管规则根本覆盖不到。
聊点实在的，对未来3-5年的类脑产业，我有几个很确定的判断。
第一，类脑计算绝对不会在3年内取代GPU做大模型训练，甚至连大模型推理的主流市场都挤不进去。它的定位从来都是“边缘侧的低功耗计算补位”，不是替代传统计算架构，是补传统架构覆盖不到的场景——那些对功耗极度敏感、没有稳定供电、不需要太高算力的地方，才是它的主场。
第二，3年内一定会出现第一个真正跑通商业闭环的类脑应用。大概率是野外生态监测、工业无源传感器这类对功耗有硬要求的场景，单设备的出货量可能也就几十万，不会像消费电子那样爆量，但是毛利会很高，因为根本没有其他替代方案。
第三，整个行业的叙事会慢慢从“造人工大脑”转回到“借鉴大脑的低功耗设计逻辑”。毕竟人类连自己的大脑是怎么记住昨天中午吃了什么都没完全搞明白，哪来的信心直接做个和人脑一模一样的计算系统？
上次跟老周聊完，他后来给我发消息，说他们现在在试一款类脑的视觉检测前端，装在流水线的振动传感器上，不用拉电源线，靠设备运转的振动就能发电，连续跑了3个月，检测精度跟原来的GPU方案差不离，一年能省十几万的电费。
你看。
哪有什么颠覆世界的黑科技。
大多时候，新技术就是蹲在厂区门口，算清楚电费账，慢慢把成本打下来而已。
作者|大讲堂
排版|大讲堂
审核|乐乐