神经形态计算 (Neuromorphic Computing)

神经形态计算教程导读：沿一条问题链走进类脑计算

凌晨两点，某云计算厂商的机房里，冷却塔还在满负荷转。一排排显卡为了算完当天的推荐列表和视频转码队列，耗电以万度计；同一间机房里，值班工程师的大脑正在同时处理屏幕上的监控曲线、耳边的风扇噪声和越来越浓的困意，整套设备功率不过二十瓦。两台"计算机"摆同一个屋檐下，能效差了五六个数量级。神经形态计算（Neuromorphic Computing）要回答的问题很直接：能不能把右边那台机器的计算原理，搬进左边那台机器的硅片里。

我们的判断是：这个差距靠制程微缩填不平，因为病根在架构。冯诺依曼架构把存储和计算分成两个区域，数据要在处理器和内存之间来回搬运。深度学习把这种搬运放大到了荒诞的程度——一个大模型的一次训练，要把同样的权重从内存搬进运算单元数万亿次。有测算给过一笔账：从 DRAM 搬运一个 32 位数大约要花 640 皮焦耳，而运算单元做一次 32 位浮点加法只要 1 皮焦耳上下。能量不是烧在"算"上，是烧在"搬"上。生物神经系统走了另一条路：计算单元和存储单元是同一个东西（突触既是权重又是存储），信息用稀疏的电脉冲传递，没事件就不耗电。把这两条生物学事实做成电路，就是本教程的主角。

这本教程不打算按名词罗列知识，而是沿一条问题链往前推：冯诺依曼架构为什么撑不住智能计算？ 墙是存算分离砌起来的（第 1 章）；绕墙的第一步是换一种信息载体，让计算只发生在有事件的时刻，这就是脉冲（第 2 章）；脉冲由什么部件产生和传递，需要把神经元与突触的原型讲清楚（第 3 章）；网络搭起来之后，没有反向传播还能不能学，STDP 和替代梯度给出两条路（第 4 章）；模型要落到硅上，Loihi、TrueNorth 这类芯片怎么设计、怎么编程（第 5 章）；当传感器本身也事件化，事件相机把感知和计算缝在了一起（第 6 章）；这些东西在真实场景里能干什么、怎么评估（第 7 章）；最后，如果你想现在就进场，哪些路能走、哪些坑要绕（第 8 章）。

图：全册问题链知识地图——从一堵墙到一份路线图

这张图就是全册的目录骨架。八个方块按因果顺序排列：上一章的答案引出下一章的问题——知道了墙是搬运砌的（第 1 章），才会问不搬运行不行（第 2 章）；接受了脉冲这种信息载体，才需要弄清什么部件能产生它（第 3 章）；有了静态网络，才轮到学习问题（第 4 章）；模型成熟了才有芯片（第 5 章）；芯片要吃数据，于是传感器也事件化（第 6 章）；最后两章从理想走回地面。下方三条主线分别从能量、历史和学习依赖三个维度把八章钉住，读任何一章卡住时，回到这张图看它在链条里的位置。

这本教程适合谁

三类人能从这里拿到东西。一是做边缘智能的算法工程师：当你的模型被压到 8 比特还塞不进毫瓦级功耗预算时，脉冲神经网络（SNN）和事件相机的组合提供了一条不同于量化的路线，第 2、4、6 章会给出可动手的起点。二是芯片与系统工程师：你不一定亲自设计神经形态芯片，但第 3、5 章的神经元电路、片上网络和存算一体阵列，能帮你判断这个方向与自己的产品有什么接口。三是研究生和转方向的研究者：全册刻意保持每个概念的"为什么"先于"是什么"，第 7、8 章的评估与生态分析可以直接当选题地图用。

需要的前置只有两样：基础的微积分和概率（够看懂膜电位微分方程和发放率估计），以及任意一门脚本语言的使用经验（够跑通书里的仿真代码）。神经科学知识不要求，需要的地方会在正文现场补齐；深度学习经验有帮助但不强制，反向传播只在你已经懂的位置被引用，不懂也不影响主线。

怎么读这一册

第一遍建议顺着问题链通读，跳过所有公式，只抓每章开头的问题和结尾的落点，两三个小时能过完，先让链条立起来。第二遍带着笔算：第 1 章的能耗账、第 2 章的发放率估算、第 6 章的事件率换算，这三笔账亲手算过一遍，你对神经形态计算的理解会从"听说过"变成"能推判"。第三遍按需查阅：写代码看第 5 章工具链，选器件看第 3 章，做课题看第 7、8 章。每章开头的"本章要回答的问题"是路标，读完回看能否用自己的话答出来，是最快的自测。

读完你能带走什么

一是判断力：看到一个"类脑""事件驱动"的新方案，能快速定位它在问题链的哪一环、真正解决的是搬运、稀疏还是学习问题，宣传成分和实质贡献各占多少。二是计算力：能独立估算一个脉冲网络的能耗和延迟量级，能看懂 Loihi 类芯片的数据手册在说什么。三是行动力：知道用哪套开源仿真器起步、哪些数据集能验证想法、冷启动的三个月到十八个月分别该做什么。我们不承诺读完就能设计芯片，但承诺读完你对"智能计算为什么贵、怎么才能便宜"这个问题，有一套能自己推导的答案。

神经形态计算不是给传统深度学习打补丁，而是一次重新分配"算、存、传"三件事的架构尝试。理解它最好的方式，是沿着问题链把每一步的矛盾亲手算一遍。

从下一章开始，我们先回到那堵墙本身：冯诺依曼架构的存算分离，究竟是怎么一步步把智能计算逼进高功耗死胡同的。