在科技发展进程中，冯·诺依曼架构因存储墙和功耗墙问题面临瓶颈，促使类脑芯片等创新技术兴起。神经拟态计算作为数字芯片和AI计算的重要发展路线，正逐步改变边缘AI行业。
多款创新芯片涌现。INNATera推出的新型脉冲神经处理器Pulsar，是首款商用类脑MCU。它是神经形态信号处理器，能高能效执行边缘AI推理，延迟比传统AI处理器降低100倍，能耗低500倍。其底层架构集成可编程脉冲神经网络（SNN）结构，提供异构计算架构，优化工作负载分区，还支持跨不同网络拓扑的参数化，满足时空工作负载需求。软件端由TalamoSDK支持，方便开发人员部署模型。
PolynTechnology的首款基于专有神经拟态模拟信号处理平台（NASP）的模拟芯片成功流片，并进入认证阶段，预计2025年第二季度投放市场。NASP芯片实现超低功耗和实时信号处理，执行信号推理时功耗低于100μW，某些场景可降至30μW。它能缩减原始数据量，提升隐私保护，适合功耗受限和对数据安全要求高的领域。NASP采用混合模拟- 数字架构，直接对传感器数据进行原生推理，前端可过滤压缩原始音频输入，减少对云服务依赖。
弗劳恩霍夫集成电路研究所IIS开发的边缘AI加速器SENNA，是用于处理脉冲神经网络（SNN）的AI芯片。它由人工神经元组成，可直接处理电脉冲，速度快、能效高、设计紧凑，能在边缘设备中使用。SENNA响应时间短至20纳秒，适用于基于事件的传感器数据实时评估和闭环控制系统，以及通信系统中AI优化的数据传输。其设计可扩展、可编程，还配有全面的软件开发工具包。
技术原理与优势。目前神经拟态芯片结构主要由神经元计算、突触权重存储、路由通信三部分构成，关键在于模型和器件。在模型方面，普遍采用脉冲神经网络（SNN），其结构更贴近人类大脑神经突触，具有时空动态性，能实现异步计算，适合与事件驱动型传感器结合，多数厂商采用SNN+ CNN的异构方案。
在器件实现上，分为模拟电路主导的神经形态系统（数模混合CMOS型）、全数字电路神经系统（数字CMOS型）、基于新型器件的数模混合神经形态系统（忆阻器是候选技术）三种流派。数字CMOS易产业化，但只是初级类脑芯片；数模混合CMOS如NASP芯片，可省略ADC直接处理传感器原生数据；忆阻器不仅能存储数据还能计算，是存算一体架构的核心组件，预计未来5- 10年商业化应用。
国内研究与行业前景。国内诸多高校和机构，如清华大学、浙江大学等，以及初创公司正积极研究神经拟态计算芯片，目标聚焦边缘AI。清华大学的天机芯和浙江大学的达尔文芯片颇具代表性。
神经拟态计算正颠覆边缘AI场景。与传统冯·诺依曼架构不同，神经形态芯片模拟人脑神经元和突触结构，具备超低功耗和并行处理能力，适合边缘设备AI应用。英特尔的Loihi、IBM的TrueNorth等芯片已展现潜力，上文厂商也开始在商业化场景尝试使用，虽不会完全取代现有MCU或嵌入式芯片，但在特定场景将有强大应用，一场边缘新革命即将到来。
