5.4 芯片横评：TrueNorth、Loihi、Tianjic 与 SpiNNaker
5.4 芯片横评：TrueNorth、Loihi、Tianjic 与 SpiNNaker
本节摘要：四颗芯片代表四种解法：TrueNorth 用数字同步把规模做到百万神经元、70 毫瓦；Loihi 系用核级异步加片上学习做可编程平台；Tianjic 用异构融合让 ANN 与 SNN 同芯；SpiNNaker 用百万 ARM 核做最自由的仿真机器。本节统一口径横评，并给出"谁该用谁"的场景答案。
前三节讲完了零件与器件路线，本节把四颗最有代表性的芯片摆上同一张桌子。横评的意义不在排名，而在看清：同一个问题（低功耗智能计算），不同的约束排序会导出多么不同的架构。
四个案例各看一眼
TrueNorth（IBM，2014）：数字同步路线的极致。4096 个核、100 万神经元、2.56 亿突触，28 纳米工艺芯片面积约 4.3 平方厘米，实时负载典型功耗约 70 毫瓦，每突触事件约 26 皮焦耳。设计上用轴突共享与时间复用路由压布线成本；限制同样清晰：权重离线烧写、片上无学习、神经元模型固定为简化 LIF 变体。它适合"算法冻结、追求极致能效"的部署，DARPA 项目里实时消化百万级事件率的 DVS 流是它的成名场景。
Loihi 一代与二代（Intel，2017 与 2021）：核级异步路线的代表。一代 128 核约 13 万神经元；二代工艺升级、核数调整为 120 但单核容量到 8192 神经元，芯片达百万神经元级，且神经元模型与学习规则皆可微码编程。学习引擎支持 STDP 变体与奖励调制规则（第 4 章 e-prop 的硬件兼容形态），2024 年 1152 颗 Loihi 2 组成的 Hala Point 系统做到 11.5 亿神经元、公布口径约 8 皮焦耳每突触运算。它适合在线适应、时序敏感、神经科学仿真类任务，是今天学术界最容易接触到的"可编程神经形态平台"。
Tianjic（清华，2019）：混合异构路线。156 个核里 ANN 引擎与 SNN 引擎并存，统一路由衔接两种执行模型，单芯片同时运行 8 个异构任务（检测、识别、跟踪、语音、手势等），验证了"一辆自动驾驶小车上的多任务实时决策"。它的意义在于承认现实负载的杂食性：不是所有子任务都值得脉冲化，两套引擎各自跑擅长的事，系统级才最优。
SpiNNaker（曼彻斯特大学，一代 2018 年完成百万核装机，二代 2020 年代初交付）：严格说不是 ASIC 神经元，而是 18 核 ARM968 为一芯片的通用多核系统，软件定义神经元。百万核级机器的实时仿真能力让它成为人脑计划（HBP）的神经科学主力工具；代价是能效比专用电路低一到两个数量级（芯片级瓦级功耗），自由度换能效的典型交易。
图：四芯片多维对比矩阵
统一口径的三条读表须知
第一，能效数字不可跨表直比。"每突触事件皮焦耳"的口径包含范围各家不同：有的只算突触电路，有的含路由，Hala Point 的 8 皮焦耳是系统级均摊。比较前先确认边界，否则很容易得出"后一代反而不如前一代"的荒谬结论。第二，规模数字要看"神经元是真是假"：TrueNorth 的百万神经元是物理电路，SpiNNaker 的十亿神经元是软件模拟在时分复用核上——两者不是同一件事。第三，"停更"不等于"失败"：TrueNorth 的后续由 NorthPole（2023 年公开，转向数字推理架构）接棒，技术谱系仍在延续，只是不再自称神经形态。
场景到芯片的映射
把 5.1 的象限图和本表合起来用：冻结模型的超低功耗视觉前端，TrueNorth 式方案（或其商用后继、BrainChip Akida 一类数字同步产品）仍是首选；需要在线学习、时序仿真的研究项目，Loihi 2 加 Lava 是当前生态最完整的路径；车规级多任务异构负载，Tianjic 的融合思路值得对标；亿级神经元的科学仿真，SpiNNaker 或 BrainScaleS 二选一（要实时规模选前者，要动力学细节选后者）。
把四颗芯片放进"三个 buyer 问题"里检验，是比记参数表更持久的用法。第一个问题：你要跑的网络规模是百万神经元级还是十亿级？前者单芯方案（TrueNorth、Loihi 2、Akida）就够，后者只有 SpiNNaker 级的系统或 Hala Point 这类设施能接。第二个问题：权重需不需要运行时更新？需要——只有 Loihi 系的片上学习引擎满足；不需要——所有方案都在候选列表，能效排序反而优先。第三个问题：你的负载是纯脉冲还是混合？纯脉冲任意选；混合负载 Tianjic 的思路（或"事件前端加数字后端"的板级混合）更现实。三问之后，候选通常只剩一到两个，再比工具链与供货，选型收敛。
还有一个容易被忽略的维度：这些平台的"退出成本"。TrueNorth 的专用工具链在芯片停售后不可再依赖；SpiNNaker 的 PyNN 生态是开源标准，模型可迁移到其他 PyNN 后端；Lava 的中间表示也在朝平台无关方向设计。按 8.1 节"资产可迁移"的纪律，工具链的开放性应该进你的评分表——权重虽是你的，但绑死在某个闭源格式里的网络，迁移成本可能比重新训练还高。
纵向的时间维度也值得加进横评：把四颗芯片按"今天还能不能买到、还有没有人维护"过一遍，结论会刷新你对"选型"的理解。TrueNorth 已停产、工具链停更——它从"选项"变成了"教材"；Loihi 系不零售、只通过研究社区提供云访问——它是"研究通道"而非采购项；SpiNNaker 机器通过学术渠道共享——同样属于科研基础设施；真正"拿着钱能买到的"反而是后起之秀（Akida 授权 IP、Speck 模组、Prophesee 传感器套件）。这个格局提示我们：神经形态计算没有统一的"货架"，学习路径（研究平台）与部署路径（商业产品）是两条分开的通道，选型前先想清楚自己站在哪条通道上。
还有一条"反着读"横评表的建议：不要只看每列的优点行，先看每列你无法接受的缺点行。需要片上学习的项目，TrueNorth 列的"无"是一票否决；需要供货稳定的项目，"已停更"是一票否决；需要精确数值结果的项目，SpiNNaker 的软件时序抖动可能是硬伤。先划掉一票否决的列，再在剩下的列里比较优点——这个顺序能避免"被某列的亮点吸引、签约后才撞上致命缺点"的经典选型悲剧。
四颗芯片是四种价值观的产品化：TrueNorth 信确定性，Loihi 信可编程性，Tianjic 信现实负载的杂食性，SpiNNaker 信自由度。选芯片就是给自己团队的负载写价值观声明。
下一节从芯片转向软件：在碰真硬件之前，先用仿真器把算法调通——这是工具链的第一站。