1.2 从真空管到尖峰：发展历程

1.2 从真空管到尖峰：发展历程

本节摘要：本节把类脑与神经形态放到五十年历史尺度上，用一条演化时间线画出"神经形态思想"从实验室论文到商用芯片的路径。读完你能说出几个关键里程碑，并理解为什么到近十年这批芯片才真正登台。

上一节给了你判断"是否神经形态"的尺子，这一节回答一个自然的问题：这套想法为什么到现在才火？类脑思想并不新鲜——它对大脑记账方式的模仿几乎与计算机同龄，真正卡住的从来不是"想不想像大脑"，而是"材料、工艺、算法能不能把账本做出来"。本节在知识地图上处在第 1.1 节之后的两条线：它既终结概述这一章的铺垫，又把"为什么是某个硬件"的因果埋给第 4 章。

起点：给大脑做账的念头很老

早在电子计算机还没普及前，研究者就在想"能否造一台像神经那样分工的机器"。冯诺依曼本人也写过夜猫子式的心得——大脑的容错、并行与节能让他着迷。可那个年代连晶体管都稀缺，所谓神经形态充其量是思想实验。真正的转捩点，要等半导体工艺把"在一个芯片里塞进大量廉价计算单元"变成现实，神经形态才从论文走向流片。

三波浪潮的账

把这段历史压缩成三波，每一波对应一种"卡点的松动"：

第一波萌芽（1980 年代）：以 Carver Mead 为代表的"神经形态工程"提出，主张用模拟电路去"复演"生物回路的物理。这一波把命名和思想立住了，但芯片太小、没有人能编程玩它。它最大的遗产不是产品，是"用电路性质而非软件模拟去逼近大脑"的审美。

第二波放大（2004 年前后 EU 人脑计划、2014 TrueNorth）：大规模激励到来。IBM TrueNorth 用 4096 个核心、百万个神经元和 2.56 亿个突触把神经形态推到商用工艺能造出的一大步；欧洲的 Human Brain Project 也想造一台能装下全脑的机器。这一波的共性是在"规模能有多大"上摊开账。

第三波落地（2018 到当下）：Intel Loihi 带来片上学习，SpiNNaker 用现成 ARM 打造百万核的大规模并行模拟，商业玩家 BrainChip Akida 开始把事件驱动 SNN 贴上边缘设备的货架。这一波的标志是从"展示规模"转向"能装进消费与工业设备的功率预算里"。

把关键节点放进一条时间线

为什么现在是"现在"

读历史最该带走的不是年份，是"timing"。神经形态在这十年集中爆发，账本上是三个成本同时下降：一是工艺尺寸缩小让"大规模并行单元"便宜，二是 IoT 与边缘设备对"低功耗本地推理"的需求变硬，三是深度学习把"专用加速器"这个词做成了产业惯例，给神经形态接上了商业化借口。三者凑齐，类脑才从论文库走进投片处。

五、把三波浪潮摆成一张判断表

读历史不等于背年份，把三波"卡点-突破-代表"排成一张表，判断力比记忆年份更值钱：

用这张表去读任何"类脑新闻"，先对号它卡在哪一栏：一台实验室原型机"神经元数破千万"却无人会编程，是"放大"栏；一款能装进穿戴设备的低功耗事件芯片，才是"落地"栏。很多宣传把"卡在放大栏的原型"包装成"已在落地栏的产品"，学会用这张表一隔，你就不容易踏空。

再补一句历史里最容易被忽略的反面：神经形态不是线性的"不断进步"，其间经历过多次"造假谷与泡沫"。早期"神经计算机即将取代数字机"的乐观，往往被现实打脸——因为只解决了"看起来像脑"，没解决"变得有用"。这段反复提醒我们：判断一个方向当时的成熟度，要看的不是它喊了多响，而是它落在"造的出、造得大、省着用"哪一格。放到当下，正是这种"往落地栏挤"的务实转向，才让类脑从论文走进投片处。

六、给这段历史配一张"只看里程碑"备忘

年份不必全背，但四条时间刻度值得记住，它们恰好各代表一栏：2006 年前后忆阻器被提出做存算器件，打通了"存算一体"可能落在真硅上的口子；2014 年 TrueNorth 流片，把"百万神经元"从纸面变成可触摸的实物；2018 年前后 Loihi 加上片上学习、Akida 开始商用，标志"省着用"这栏开跑；2020 年之后天机芯、Lava 框架等把"软件能不能写好"提上日程，真正的胜负手从器件转到了生态。把这四条当成路标，再回头看任何类脑新闻，你都能一眼判断它处在哪一栏、离落地还有几道坎。

顺带说清一个常被高估的进度观：提到神经形态，很多人会本能地跟"马上取代 GPU 深度学习"绑定。但历史的正确读法是——它是给"稀疏、实时、省电"这类特定账本补的专用通道，而不是另一场通用军备竞赛。能不能成为主流，取决于材料、工艺、软件生态三本账一起平不平，而不取决于它单点能不能跑赢一次推理。这个判断在第 7 章会把账面摊到更宽。

七、还有一笔藏在历史里的账：生态与生态焦虑

回头看这三波，单看器件与论文会漏掉最关键的一根暗线——每一波浪潮其实都卡在同一句老话上："硬件比思维先落地，软件与生态永远慢半拍。" 第一波整整一代研究者不是败在造不出模拟神经元，而是败在"造出来没人能编程、没有工具链、没有社区"；第二波的 TrueNorth 后来被反复念叨"paper 很漂亮但生态没铺起来"，也正因如此。于是第三波走到今天，竞争的主战场已经从"谁能流片"悄悄搬到了"谁的软件栈好用、谁能把开发者留下的时间账算得最短"。你看清这条暗线，就不会只盯着参数去猜哪个芯片会赢——真正决定胜率的，常常是它身边那套"能不能让你省力写起来"的配套账。

顺着这条暗线，再补充一个当代正在发生的场景：近几年"神经形态加速度计、事件相机、端侧 AI 芯片"扎堆出现，背后不全是技术突然开窍，更多是边缘端"省电刚需 + 端侧 AI 产业惯例成熟"把落地账喂大了。芯片厂商愿意在这样一条"真有需求、真能给客户算清省多少电"的线路上投钱，是因为它能兑现订单，而不再只是实验室里刷存在感。这正是"计的多少决定技术礼遇"这条产业规律在类脑身上的重演——每当有人问"类脑为什么现在才火"，你可以把答案从一句话 升级成两本书：一本算材料与工艺的物理账，一本算需求与生态的商业账，两本同时翻开，才算读懂了这段历史。

这一节你在账上记了什么

• 三波浪潮：模拟萌芽 → 大规模放大（TrueNorth/HBP）→ 商用落地（Loihi/Akida）。
• 关键里程碑：Carver Mead 命名、忆阻器实证、TrueNorth 百万神经元、Loihi 片上学习、天机芯混合网络。
• 为什么是现在：工艺便宜 + 边缘需求 + 专用加速器惯例，三者凑齐。
• 历史带给你的尺子：任何宣称"类脑革命"的口号，先问它卡的是规模、器件还是算法。