上周三我挤了一小时地铁，去南邮的传感网实验室找张师哥，刚推开门就看见实验台边摆着块指甲盖大的硅片，旁边的示波器屏幕上跳着细碎、不规则的尖峰——不是平时见惯了的芯片输出的方波，倒像我之前在神经科学公开课上看过的小鼠脑电信号。
张师哥看见我凑过去盯屏幕，用镊子点了点那块硅片：“别碰，刚焊好的类脑芯片，跑视觉识别呢，功耗才12毫瓦。”我当时第一反应是，这不就是个超低功耗的AI模块？他直接翻了个白眼，说我还是没摸到类脑计算的门道。
不是“抄人脑作业”，是换个逻辑搭电路
好多人第一次听类脑计算，第一反应是“要做个和人一样聪明的机器大脑”，其实真不是。
先给你算个现在普通芯片的账：我们手里的手机、电脑、服务器，全都是用的冯诺依曼架构——说穿了就是把“放数据的仓库”和“做计算的工作台”完全分开。你要跑个图像识别，得先把存在仓库里的图片数据，通过总线一趟趟搬到工作台上，算完识别结果，再把数据搬回仓库存着。
这个流程用了快80年，顺得不能再顺，但架不住现在的AI任务数据量太大了。之前看过一组公开的测试数据，跑同样的AI推理任务，光是来回搬数据耗的电，就占了总能耗的90%以上，真正用来做计算的电，连10%都不到。
而人脑呢？根本没有什么分开的仓库和工作台。每个神经元本身就带着存储和计算的能力，信号从一个突触传到下一个突触的时候，当场就把权重调整、计算完成了，根本不需要大老远把数据搬来搬去。类脑计算最核心的改变，就是把“存储计算分家”的老架构，换成了“每个计算单元自带存储、信号靠离散尖峰传递”的类神经逻辑。
我之前总觉得这种架构的改变离日常很远，直到张师哥给我举了个例子：如果把现在的AI芯片比作一个每次要把所有书搬到书桌前才能看书的人，类脑芯片就是把每一页书的内容直接印在了你翻书的手指上，手碰到哪页，当场就能读懂意思，根本不用来回跑书架。
太省了。
别被“造出人工大脑”的宣传骗了
说实话，我之前刷到过好多自媒体写类脑计算，字里行间都是“再过十年就能造出和人一样聪明的人工大脑”，第一次看的时候我差点把手里的冰美式喷在键盘上。
真没那么夸张。
现在全世界做出来的最复杂的类脑芯片，集成的神经元数量，大概也就和一只果蝇的大脑处于同一水平——对，就是夏天趴在你水果盘上的那个果蝇。之前清华做的那款天机芯，能装在自行车上实现自主避障、跟随行人的功能，当时上了《自然》杂志，好多人吹得神乎其神，说这是“通用人工智能的雏形”，其实它能做的事，比果蝇的本能反应简单多了。
我当时跟张师哥聊到这的时候，他靠在实验台边笑，说大家对类脑计算的误解，一半是觉得它无所不能，一半是觉得它是个换皮的AI芯片。
其实都不对。
我们根本不需要现在就造一个会写代码、会谈恋爱、会思考人生的人工大脑。人脑进化了几百万年才有的复杂认知能力，想靠现在的工程技术复刻，本来就是天方夜谭。我们现在做类脑计算，本质上是捡了人脑最容易学、也最有用的两个优势：一个是低功耗，一个是低延迟。
毕竟人脑满打满算一天的功耗才20瓦，就跟个床头小夜灯差不多，就能同时处理视觉、听觉、触觉的所有信号，还能顺便思考晚上吃什么。而现在跑一个大模型的推理，哪怕是在服务器上，功耗都能到几千瓦，差了好几个数量级。我们要学的，从来不是人脑的“智慧”，是它这套高效的运行逻辑。
说穿了，就是当我们原来的芯片架构已经快摸到能耗的天花板时，抬头看见旁边摆着个用了几百万年进化出来的高效样本，那就抄点能用的过来，解决实际问题就行。
现在的类脑计算，离我们的手机还有多远
每次跟身边的朋友聊起类脑计算，总有人问，那我什么时候能用上装了类脑芯片的手机？
实话说，还早。
最大的问题是生态。你现在买个新的手机芯片，不管是哪家的，所有的App、所有的AI模型，拿过来就能直接跑，根本不用重新写代码。但类脑芯片的计算逻辑和现在的芯片完全不在一个频道上——你要在类脑芯片上跑个任务，得把原来的代码全部拆碎，按照尖峰传递的逻辑重新写一遍，这个工作量，对于现在整个半导体行业来说，都是个不小的挑战。
还有就是精度问题。现在的类脑芯片，跑个简单的物体识别、异常检测任务，精度已经能跟传统芯片打个平手了，但你要是让它跑个复杂的大语言模型推理，就会发现精度差得不是一点半点——毕竟它的信号是离散的尖峰，不像传统芯片是连续的数值计算，天生就有精度上的权衡。
不过话说回来，这两年的进展真的快得超出我之前的预期。我记得三年前第一次来这个实验室的时候，他们做的第一版类脑芯片，跑个最简单的手写数字识别，还要外接个巴掌大的电源板，现在整个系统已经能缩到硬币大小，靠纽扣电池就能连续跑好几个月。
我上次临走的时候，张师哥跟我聊，说他刚读博的时候，整个行业都觉得冯诺依曼架构是永远不会变的金科玉律，谁能想到才过了十几年，大家都在拼命找新的架构方向。
我当时站在实验室的走廊里，听见身后示波器还在发出细碎的滴答声，屏幕上的尖峰一蹦一蹦的。
没有什么是永远不变的。
作者|科技
排版|科技
审核|满满