一块只在有车经过时才醒来的芯片:类脑计算的一个真实切面

路口那台摄像头,一秒三十帧。不管有没有车,它都在拍。

拍完把整幅画面打包,顺着网线送到几公里外的机房。机房再一帧一帧看:没车。还是没车。还是没车。

一天下来,绝大部分算力花在确认“什么都没发生”这件事上。我意识到这有多荒谬,是翻一份动态视觉传感器的材料时。那种传感器不拍帧。哪个像素上亮度变了,它就吐一个信号出来;没变化,它就闭嘴。同一段路口,帧相机产出几百兆数据,它产出几百个字节。

动态视觉传感器事件相机路口车流成像对比图
动态视觉传感器事件相机路口车流成像对比图

这个思路,就是类脑计算真正想抓的东西。不是“造一个会思考的大脑”,而是——

让电路学会闭嘴。

人脑干活的方式其实很消极

860亿个神经元摆在那儿,绝大多数时候是安静的。你读这行字的时候,视觉皮层里放电的只是其中一小撮,放出来的还是很短的尖峰,几十毫伏,一两毫秒,然后就没了。等下一个信号来,再放一次。

没有全局时钟。没有“这一帧必须在这个周期里算完”的规矩。谁那边有事,谁说话。

这一整套东西的功率大致在二十瓦上下,一只老式白炽灯泡的水平。而它还顺带管着呼吸、体温、心跳,以及你此刻正在冒出来的、关于“晚上吃什么”的念头。

所以我们一直问错了问题。脑子算得并不快。它的本事是省。

真正的墙,砌在内存和计算之间

冯·诺依曼架构里,存和算分家。数据躺在内存里,要算的时候搬到处理器,算完再搬回去。

搬运这件事本身不产生任何结果,但它耗电,而且带宽有限。芯片做得越密、算得越急,这条通道就越像早高峰的大桥。业内有个词,叫存储墙。

类脑芯片的一个核心动作,就是把这堵墙拆了。突触既存权重,也参与计算。数据不挪窝,当场算。这是存算一体。

忆阻器存算一体交叉阵列电路结构显微图
忆阻器存算一体交叉阵列电路结构显微图

另一条路是把计算变成事件。没有事件就没有功耗。传统数字芯片的时钟一直在跳,哪怕它在算零乘以零,晶体管也在翻转、也在耗电。异步电路不吃这一套,没脉冲就没电流。

听着很美。做起来是另一码事,后面再说。

脉冲、突触、STDP,这几个词到底在讲什么

先把术语拆开。

脉冲就是那一下尖峰。它不带数值大小的信息——至少在多数模型里是这样——信息藏在发放的时间和频率里。这一点跟传统神经网络完全不同。传统网络里激活值是个连续的浮点数,比如0.73;类脑这边,神经元要么放,要么不放,二元的。

突触权重是连接强度,这个跟常见的人工神经网络一样,好理解。

有意思的是STDP,脉冲时序依赖可塑性。说得直白些:如果神经元A在神经元B放电之前的一小段时间里刚好也放了电,那它俩之间的连接就被加强;反过来,A放得比B晚,连接就被削弱。谁先谁后,决定了这两条线路以后是绑得更紧还是慢慢松掉。

这套规则是纯本地的。每个突触只看自己两端的时间戳,不需要一个全局的误差反向传播。这也是它吸引人的地方——学习可以发生在电路内部,而不是在某台服务器上跑完再下载权重。

麻烦也在这儿。脉冲是阶跃的,不可导。反向传播那套工具用不上。现在的做法大多是搞一个“替代梯度”,训练的时候假装它可导,推理的时候再换回真脉冲。效果嘛……能用,但离“优雅”差得远。

有四件事特别容易被搅在一起

第一个混淆,是把类脑计算和脑机接口当成一回事。后者是往脑子里插电极、读神经信号,属于生物医学和器件工程的活儿;类脑计算是照着神经系统的运作方式去设计芯片和算法。名字像,干的活差得挺远。

第二个,是以为类脑芯片能给大模型提速。目前做不到,也不该这么指望。脉冲网络的稀疏性在大规模稠密矩阵运算上占不到便宜,编程工具链更是零碎得一塌糊涂。你很难找到一套像CUDA那样成熟的东西来写类脑程序。每条芯片路线都有自己的软件栈,换个硬件就得重写,这事儿很劝退。

第三个,是把“神经元数量”当成智能的指标。某个芯片集成了一百万个神经元,这话听着唬人,但那一百万个神经元之间怎么连、连多少、能不能学,才是关键。堆数量不难。

第四个,是觉得只要把脑模拟得足够细,意识就自然冒出来了。这个问题我不打算在这儿聊,因为它早就不是工程问题了。

它现在真正在干的活

眼动追踪。事件相机盯着眼球,瞳孔一动就出事件,延迟压到毫秒级,功耗还低。可穿戴设备里塞一颗,不用一直开着摄像头。

无人机避障。快速旋转的螺旋桨、突然横穿的飞鸟,帧相机容易糊,事件流反而清楚。

还有一些听起来很边缘的场景:工业设备的状态监测、助听器的前端降噪、某些传感器的唤醒模块。共同点是——大部分时间没事发生,偶尔有急事,还得马上反应,而且只能用纽扣电池。

反过来说,需要跑庞大的语言模型、需要高精度数值计算、需要通用性的场合,类脑架构目前没什么优势。别硬套。

时间线上的几块路标

早些年IBM的TrueNorth把百万级神经元塞进芯片,功耗控制在几十毫瓦量级,是个标志性动作。2019年,清华的天机芯登上《自然》封面,那辆靠它驱动的自动驾驶自行车当时被转了很多次。英特尔后来推出Loihi 2,把可编程性和片上学习往前推了一截。英国曼彻斯特的SpiNNaker走的是另一条路——用海量通用核去实时模拟脉冲网络,它更像一台会算神经的科学仪器,而不是要卖给你的产品。

热闹归热闹。真正装进量产设备里的,数量还很少。

冷一点看

我个人的判断是:类脑计算大概率不会取代现在这套AI体系。它们会并行很久。

主流的深度网络擅长在充足功耗和充足数据下啃硬骨头;类脑架构擅长在“事件稀疏、实时、电池很小”的角落里干细活。两者的甜区不重叠。所以别指望哪天早上醒来,你的手机里换了一颗脑。

那它值不值得关注?

值得。因为它逼着整个行业重新想一个被忽略太久的问题:为什么我们非得让电路一直醒着?

人脑大部分时间在打盹,只在需要的那一瞬间亮一下。这件事本身,就够我们琢磨很久了。

作者|科技

排版|科技

审核|柚子

免责声明:市场有风险,选择需谨慎!此文仅供参考,不作买卖依据。如有侵权请联系删除。
文章名称:一块只在有车经过时才醒来的芯片:类脑计算的一个真实切面
文章链接:https://www.lfdjt.com/p/keji/a/24702.html