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。