大讲堂
为什么要费劲搞类脑？现在的AI不好用吗？
ChatGPT出来之后，所有人都感叹AI进步太快。但是你知道训练一次GPT级别的大模型要花多少电吗？ 有公开估算的数据，整个训练过程的能耗超过1亿度，抵得上一个普通县城整整一年的居民用电。 太夸张了。 我们的人脑，区区1.5公斤，满负荷运行一天也就耗掉不到半斤葡萄糖，换算成功率才不到25瓦。就能支撑你聊天、推理、写代码、认路，还能摸鱼发呆。 这差距，根源在哪？在冯诺依曼架构的天生瓶颈。我们现在用的所有芯片，都是存储和计算分离的，CPU算数据，得先从内存把数据搬过来，算完再搬回去。AI大模型要动用到千亿级参数，每次运算都要海量搬数据，90%以上的能耗都浪费在数据搬运的路上，根本省不下来。 现在芯片制程已经摸到物理极限了，摩尔定律变慢，靠堆晶体管降功耗这条路快走到头了。 那怎么办？有人想到了，我们直接照着人脑的方式造芯片不行吗？
类脑计算到底是什么，它的边界在哪？
很多人一听类脑，就觉得我们要造一个人造大脑出来，要产生意识，那是科幻。 现在我们说的类脑计算，核心其实就是两个方向：要么是结构类脑，模拟人脑神经元和突触的连接方式，用脉冲信号编码信息，也就是业内说的脉冲神经网络，神经元只有收到足够多的脉冲才会激活，大部分时候都是休眠的，天然就是稀疏激活，功耗自然低。要么是功能类脑，借鉴人脑的认知机制，比如无监督学习、动态推理这些，优化现有的AI算法。 它不是要替代现有AI，更不是要直接造出来一个和人一样的智能。它解决的核心痛点，就是低功耗场景下的AI推理问题，这是它的技术边界，别瞎吹。 现在的瓶颈也很明确。硬件上，模拟突触的核心器件忆阻器，良率一直上不去，大规模集成的成本还很高，没法像GPU那样量产。软件上，脉冲神经网络的训练方法还不成熟，效果现在还打不过成熟的深度学习，生态也差，没有现成的开发框架，开发者太少。 不过话说回来，这条路方向是对的，只是走起来需要时间。
产业现状：哪些玩家下场了，落地在哪？
未来三五年：别等革命，先看补位
作者|大讲堂
排版|大讲堂
审核|满满