### [脑科学大模型与类脑计算：模拟大脑的智能新范式](https://youshipu.cn/article/166)

**Published:** 2026-08-15T04:36:43

**Author:** 优势铺

**Excerpt:** 类脑计算模拟大脑神经结构实现超低功耗智能。本文分析类脑芯片、脉冲神经网络与脑科学大模型的进展。

## 引言：大脑启发计算

人脑以20瓦的功耗实现了远超任何AI超算的智能——这背后的机制启发了类脑计算。传统冯·诺依曼架构面临“内存墙”和功耗瓶颈，而类脑计算试图模拟大脑的神经突触结构，实现超低功耗的智能计算。随着脑科学大模型的突破，类脑计算正在迎来新的发展机遇。

![类脑计算](https://api.youshipu.cn/wp-content/uploads/2026/08/450-20.jpg)

## 一、类脑计算的动机

### 1.1 冯·诺依曼瓶颈

传统CPU/GPU架构中，计算和存储分离，数据在处理器和内存之间频繁搬运。这一“冯·诺依曼瓶颈”导致：

-   AI训练功耗巨大（GPT-4训练耗电约5000万度）
-   数据搬运功耗远大于计算功耗
-   摩尔定律放缓后性能提升受限

### 1.2 大脑的计算方式

人脑的计算特点与数字计算机根本不同：

-   **存算一体：**神经元同时完成计算和存储，无数据搬运
-   **脉冲驱动：**神经元以脉冲（spike）通信，事件驱动，极低功耗
-   **大规模并行：**860亿神经元、100万亿突触并行工作
-   **可塑性：**突触强度随学习动态调整

![大脑计算模型](https://api.youshipu.cn/wp-content/uploads/2026/08/450-8.jpg)

## 二、类脑芯片

### 2.1 Intel Loihi 2

Intel第二代神经拟态芯片，采用基于脉冲的架构：

-   100万神经元，1.2亿突触
-   可编程学习规则
-   制程：Intel 4（EUV）
-   功耗：毫瓦级运行简单任务

### 2.2 IBM NorthPole

IBM的NorthPole芯片将内存和计算完全融合：

-   无外部DRAM，所有存储在芯片内
-   推理速度：ResNet-50每秒46000帧
-   能效比：传统GPU的数十倍

### 2.3 清华天机芯

清华大学的天机芯（Tianjic）采用异构融合架构：

-   同时支持脉冲神经网络（SNN）和人工神经网络（ANN）
-   曾驱动无人自行车实现自平衡骑行
-   第三代芯片正在研发中

### 2.4 浙大达尔文

浙江大学的达尔文类脑芯片系列：

-   达尔文2：百万神经元规模
-   支持在线学习
-   面向边缘智能场景

| 芯片  | 架构  | 神经元 | 特点  |
| --- | --- | --- | --- |
| Loihi 2 | SNN | 100万 | 可编程学习 |
| NorthPole | 存算一体 | –   | 极致推理速度 |
| 天机芯 | SNN+ANN | 4万  | 异构融合 |
| 达尔文2 | SNN | 100万 | 在线学习 |

![类脑芯片对比](https://api.youshipu.cn/wp-content/uploads/2026/08/450-14.jpg)

## 三、脉冲神经网络（SNN）

SNN是类脑计算的核心算法范式，与深度学习的关键区别：

-   **信息编码：**用脉冲的时间序列编码信息，而非连续的激活值
-   **时间动态：**神经元具有膜电位累积和时间衰减特性，天然处理时序信息
-   **事件驱动：**只有膜电位达到阈值时才发放脉冲，无事件时功耗近零
-   **可塑性学习：**STDP（脉冲时序依赖可塑性）规则实现局部无监督学习

SNN的挑战在于训练——传统的反向传播算法难以直接应用于脉冲的离散事件。近年来 surrogate gradient 方法使SNN的深度训练成为可能。

## 四、脑科学大模型

![脑科学大模型](https://api.youshipu.cn/wp-content/uploads/2026/08/450-19.jpg)

### 4.1 从脑科学到AI

大脑是AI的终极参照系。当前脑科学与AI的交叉正在加速：

-   **连接组学：**绘制大脑神经连接图谱，为类脑架构提供蓝图
-   **神经数据驱动：**大规模神经记录数据训练脑基模型
-   **脑启发架构：**Transformer的注意力机制即来源于大脑的注意力模型

### 4.2 脑基础模型

2024年，多个团队发布了脑科学大模型：

-   **NeuroGPT：**基于大规模脑电（EEG）数据预训练的通用脑信号模型
-   **BrainGPT：**融合fMRI数据的脑活动预测模型
-   **神经解码模型：**从脑信号解码语言、图像甚至视频

这些模型正在将脑科学从“描述性”走向“预测性”，并为脑机接口提供更强大的解码能力。

## 五、应用场景

1.  **边缘AI：**类脑芯片超低功耗适合IoT设备、可穿戴的持续智能
2.  **机器人：**事件驱动传感器+类脑芯片实现快速反应控制
3.  **脑机接口：**脑科学大模型提升BCI信号解码精度
4.  **实时信号处理：**雷达、声纳的场景感知
5.  **低功耗推理：**替代GPU用于边缘端AI推理

## 六、挑战与展望

### 挑战

-   **SNN训练算法：**缺乏成熟的深度训练框架
-   **工具链：**类脑芯片的编程模型和开发工具不成熟
-   **规模：**百万神经元仍远小于大脑的860亿
-   **生态：**缺乏标准化的应用场景验证

### 展望

类脑计算不会取代GPU，而是在特定场景（边缘、低功耗、实时）形成互补。随着脑科学大模型的突破和类脑芯片的成熟，存算一体架构有望成为AI算力的新范式。中国在天机芯、达尔文等类脑芯片上有先发优势，应持续投入。

## 结语

类脑计算是AI硬件中最具远见的方向之一。它试图从根本上解决冯·诺依曼瓶颈，用大脑启发的架构实现超低功耗智能。虽然距离通用应用还有很长的路，但在边缘AI和脑机接口等特定场景，类脑计算正在展现出不可替代的价值。脑科学大模型的兴起将为这一领域注入新的动力。

**Categories:** 分类1

---