1.2 四十年绕墙史：从 Mead 的硅视网膜到 Hala Point

1.2 四十年绕墙史：从 Mead 的硅视网膜到 Hala Point

本节摘要：神经形态计算不是蹭深度学习热度的年轻概念，它有四十年连续的失败与积累：1980 年代 Mead 用亚阈值模拟电路做硅视网膜，1990 年代_ADDRESS 事件表示解决通信，2014 年 TrueNorth 把百万神经元塞进 70 毫瓦，2021 年 Loihi 2 做到可编程片上学习，2024 年 Hala Point 把 11.5 亿神经元连成系统。本节沿时间线讲清每次跃迁解决了什么、每次沉寂又卡在什么。

上一节确诊了墙的病理，本节看病史。了解这段历史的价值不在于记年号，而在于看清一件事：神经形态计算的每个关键设计——事件表示、异步通信、片上学习——都不是灵光一现，而是对上一次失败的具体回应。知道每代人卡在哪，你才能判断今天的产品离"能用"还有几步。

起点：Mead 的亚阈值直觉（1980 年代）

卡弗·米德（Carver Mead）在 Caltech 的工作是公认的起点。他的核心洞察有两条。第一，晶体管在亚阈值区（电流极小的弱反型区）工作时，其电流-电压关系呈指数特性，和生物离子通道的物理惊人相似，用几只晶体管就能模拟神经元的泄漏-积分行为，功耗在纳瓦级。第二，视网膜不是照相机：它不做均匀采样，而是让每个像素电路对局部变化敏感、对静止背景沉默。1980 年代末他的学生 Misha Mahowald 做出的硅视网膜，是第一个把"事件驱动感知"做成电路的演示——第 6 章的事件相机，直接血脉就在这里。

这一代工作的遗产是"模拟计算脉冲"的可行性，局限同样明显：模拟电路对工艺偏差和噪声敏感，网络一大，可复现性就崩。这个"模拟精度与规模不可兼得"的矛盾，直接塑造了后来二十年数字路线的兴起。

通信突破与第一次沉寂（1990 至 2005 年）

大量模拟神经元做出来了，新的瓶颈出现在通信：一百万个神经元怎么互连？传统总线和分组交换都太重。1991 年前后，Mead 组的地址事件表示（AER，Address-Event Representation）给出了答案：脉冲本身天然是异步的离散事件，用"地址+时间"的编码经数字总线发送，接收方按地址路由。这个协议把"模拟计算、数字通信"焊成了一个可扩展的体系，今天所有神经形态芯片的片上路由都是它的后代。

但这一时期整体是沉寂的：没有大规模经费，没有杀手应用，模拟器件的良率问题也解不了。真正的转机来自需求端——2010 年前后，移动智能终端兴起，电池预算把"毫瓦级智能"变成硬需求，军方对自主系统的低功耗感知也提出同样诉求。

SyNAPSE 十年：从理念到百万神经元（2008 至 2018）

美国 DARPA 的 SyNAPSE 计划（2008 年启动）是行业分水岭，它把散落的学术尝试推成了工程体系。成果集中在 IBM 一侧：2011 年 demonstrations 级的神经突触核心，2014 年 Nature 论文正式发表 TrueNorth——4096 个数字神经核、100 万神经元、2.56 亿突触，28 纳米工艺下芯片面积 4.3 平方厘米左右，典型负载功耗约 70 毫瓦，每个突触事件约 26 皮焦耳。同时期欧洲的 BrainScaleS 用模拟加速路线做出千倍实时的物理模型，曼彻斯特的 SpiNNaker 用百万 ARM 核走通用多核路线（第 5 章逐一细讲）。

TrueNorth 证明了规模和能效可以兼得，但它是"死网络"：权重离线训练好再烧进芯片，片上不支持学习。这个限制成了下一代的主攻方向。

图：神经形态计算四十年关键节点时间线

可编程学习时代与系统级验证（2017 至今）

英特尔 2017 年的 Loihi 一代把可编程学习引擎放上了芯片：128 个神经核、约 13 万神经元，每核内置学习规则微码，支持 STDP 及其变体的在线更新。2021 年的 Loihi 2 换用预量产的 Intel 4 级工艺，核数调整为 120 个但单核神经元容量提升到 8192 个，芯片神经元达到百万级，且神经元模型本身可用微码重定义——不再焊死在 LIF 上。2024 年发布的 Hala Point 用 1152 颗 Loihi 2 组成系统，神经元规模 11.5 亿，官方公布的突触运算能效约 8 皮焦耳每次，作为"神经系统级试验台"验证了这一代架构的规模化能力。

回看这条时间线，我想强调一个判断：四十年里硬件已经五代更替，但每一代的第一批用户都是神经科学家而不是工程师——工具链和应用层的贫瘠是系统性的（第 5、8 章专门处理）。理解了这一点，你就能对"神经形态要取代 GPU"这类说法保持冷静：它在特定约束（毫瓦功耗、微秒延迟、在线适应）下不可替代，在通用训练任务上还差得远。

这段历史里有两个被低估的"失败教训"，值得单独立案。教训一是模拟路线的第一次死亡不是技术死亡而是经济死亡：九十年代的硅视网膜在学术上成功、商业上无人问津，因为当时的下游（机器人、安防）既没有毫瓦级功耗的刚需，也没有配套的事件处理算法——技术跑在需求前面二十年，等需求真的到来时（2010 年后的移动与安防市场），第一代团队大多已经解散。教训二是"能力展示"与"产品定义"之间隔着一条名为"工具链"的鸿沟：TrueNorth 发布后的两年里，IBM 内部之外的团队能用它复现的神经网络寥寥无几，不是芯片不行，而是把一个训练好的卷积网络映射上去需要专门的方法论论文——这个教训直接催生了后来 Intel 把"易用性"列为 Loihi 2 的第一设计目标，也是本章后面花整整三节讲工具链的原因。

横向对比同一时期的其他技术路线，能更准确地给神经形态计算定位。同期 GPU 深度学习生态在 2012 年后爆发，吸走了绝大多数资金与人才；类脑路线能在资金寒冬里活下来，靠的是三个"GPU 进不去"的锚点：微瓦级常开功耗（电池供电的感知端）、微秒级事件延迟（闭环控制）、以及神经科学仿真的科研刚需。理解了这三个锚点，就理解了为什么这条路线的每一次复兴都伴随某一类应用的需求爆发，而不是靠通用算力竞赛驱动。

怎么用这段历史做预判

给读者一个把历史变成工具的方法：用"卡壳点后移规律"判断一项新方案的成熟度。四十年里每一代技术的成熟标志，都是上一代卡壳点被产品化地解决——AER 解决通信后，出现了能装百万神经元的芯片；可编程学习解决"片上不学习"后，出现了科研社区与云访问。按此规律，当前这代的卡壳点是"工具链与应用"，那么判断任何一个新发布的产品或平台是否真的成熟，就看它有没有把应用层做厚：有没有让不会设计芯片的工程师上手的数据手册与教程，有没有能迁移的中间表示，有没有可对比的基准结果。三项齐备，才算真正站上了下一代的地板。这个判断法比看发布会的热闹可靠得多，也是你读完本节应该带走的手艺。

四十年绕墙史给了我们一张技术债务清单：模拟转数字解决了扩展性，AER 解决了通信，可编程核解决了学习，剩下的债叫"生态"。谁先还清生态债，谁拿走这条路。