旁边的研究员递过来半杯凉掉的美式，说这玩意儿跑一整晚的视觉识别任务，总功耗还不到50毫瓦，还不如我手机充十分钟电耗的多。
我当时第一反应是扯吧？
要知道现在随便一块跑大模型推理的GPU，满负荷转的时候，风扇响得像要起飞，功耗顶好几百瓦，两者差了快四个数量级。
这就是大家说的类脑芯片。
不是造人工大脑，是抄它的省电作业
很多人第一次听”类脑计算”，第一反应是”哦，就是要做个和人一样聪明的AI，以后能自己写代码、自己谈恋爱？”真不是。
类脑计算的核心从来不是复刻一个能思考的人脑，而是把人脑”低功耗、存算一体”的逻辑拆出来，用到那些传统芯片跑不动的场景里。
现在我们用了快80年的芯片架构，本质上是把计算单元和存储单元分开的——算数据的地方不存东西，存东西的地方不算数，每次算都要把数据从存储区搬到计算区，搬来搬去的过程，耗掉了90%以上的电，真正用来算的电还不到10%。
但人脑不是这样的。
你看到路边的猫，从认出”这是我家猫”到做出反应，总共才花几百毫秒，整个过程的功耗，还不如一颗小灯泡亮一秒的电多。因为我们的大脑里，计算和存储是长在一起的，神经元接到信号就放电，没信号就安安静静待着，根本不会像现在的芯片那样，不管有没有用，所有晶体管都在满负荷空转。
我之前算过一笔账，现在跑一次千亿参数大模型的完整推理，单次功耗差不多是2-3度电，看着不多，但要是每天有几千万人刷一次AI生成的内容，一年下来耗的电，够一个小县城用大半年。
说真的，之前看大模型的电费账单的时候我都心疼，这哪是做技术，这是给电网交保护费。
那些吹得太满的话，得踩个刹车
现在网上关于类脑计算的说法，有一半是吹过了头的。比如有人说类脑芯片马上就能取代GPU，跑现在的大模型，把AI的成本打下来。
拉倒吧。
现在最成熟的几款类脑芯片，单颗的神经元数量也就几百万到一千万，人脑皮层的神经元是140亿个，差着好几百倍。别说和人比，连果蝇的脑子都赶不上——果蝇整个脑的神经元是10万个，人家能在风里飞、找吃的、躲天敌，整个脑子的功耗才几毫瓦，我们现在堆了几十颗类脑芯片，才勉强复刻出”看到亮的地方就往那边爬”的简单反应。
还有人说类脑计算以后能做人脑接口，直接把知识拷进脑子里。
那更是远得没边的事。现在我们连人脑里的记忆是怎么存的都没搞明白，谈什么拷贝？
但这也不代表类脑计算没用。
它最擅长的，从来不是那种需要海量算力反复训练的通用任务，而是低功耗、实时、不需要反复来回传数据的场景。比如装在野外的森林火灾传感器，挂在树上靠太阳能供电，用类脑芯片本地识别烟和火焰的信号，不用把画面传到千里之外的云服务器，全天24小时开着，耗的电还不如个光控小夜灯多，换做传统的传感设备，每个季度就得护林员爬树上去换一次电池，跑上几个月人都累瘦了。
再比如你戴的智能手表，用类脑芯片本地算心率、识别你是在走路还是在睡觉，不用每次都把数据传到手机上算，充一次电能用半个月，再也不用天天揣着个充电器找插座。
现在卡壳的地方，根本不是硬件
很多人以为类脑计算现在发展慢，是因为芯片造得不够好。真不是。
现在类脑芯片的最大瓶颈，从来不是硬件的算力上限，而是配套的软件生态太薄弱。
你想啊，现在大家给GPU写程序，有现成的工具链，有十几年攒下来的开源项目，有铺天盖地的教程，哪怕是个刚学编程的学生，照着教程敲几行代码，就能跑个简单的AI模型。
但类脑芯片呢？
你要给它写个程序，得先懂脉冲神经网络的逻辑，得知道什么时候给神经元发信号，怎么调整不同连接的权重，每次换个新版本的芯片，之前写的代码可能就得重写一半。
上周和一个做类脑算法的博士生聊天，他吐槽说自己现在最愁的不是模型精度不够，是实验室新换了一款芯片，之前调了半年的算法跑不起来，毕业都快被延了。
这就好比你造了个特别省油的太阳能汽车，结果全世界的加油站都是给汽油车加油的，连个专门的停车位都没有，谁愿意花大价钱买啊？
其实也不用把类脑计算捧成什么下一代计算的终局。
现在的冯诺依曼架构从40年代用到现在，不也还在不断迭代吗？从最早的电子管计算机，到现在的3nm芯片，性能涨了上亿倍，也没被谁轻易取代。
类脑计算也不是要把传统芯片都换掉。
它就是找了个自己的位置。
那些对功耗不敏感、需要海量算力的任务，还是交给GPU、交给超算去做；那些对功耗特别敏感、需要实时反应、不方便传数据的场景，就交给类脑芯片去跑。
比如放到火星上的探测器，总不能带个核反应堆上去给芯片供电吧？用类脑芯片，靠太阳能板就能跑，拍回来的照片自己先筛一遍，把没用的噪点、模糊的画面都删掉，只把有价值的信号传回地球，省下来的带宽和电，能多拍好多张照片，多做好多实验。
不用神化。
也不用看不起。
技术哪有什么一夜翻盘的神话。
都是慢慢在具体的场景里，找到自己的位置的。
作者|科技
排版|科技
审核|小准