現在，人類越來越想讓“馮·諾依曼架構”退休了。因為存儲墻和功耗墻問題，馮·諾依曼架構愈發(fā)觸碰瓶頸。
類腦芯片就是突破“馮·諾依曼架構”的路線之一，它一種高度模擬人腦計算原理的芯片。如果把類腦芯片做得更像人腦，就會被賦予一個新的名字——神經擬態(tài)計算/神經形態(tài)計算（Neuromorphic Computing），它是數字芯片和AI計算的一條重要發(fā)展路線。
神經擬態(tài)計算被視為顛覆邊緣AI行業(yè)的存在，因為它的功耗實在是太低了。完美的神經擬態(tài)芯片可以用比傳統(tǒng)解決方案低1000倍的能耗來解決問題，這意味著我們可以在固定的功耗預算下，打包更多的芯片來解決更大規(guī)模的問題。
當然，現在的神經擬態(tài)計算還達不到這樣的程度，但給現有芯片降低幾倍或者幾十倍功耗的能力還是有的。比如，IBM此前推出的類腦芯片“北極”（NorthPole），對比4nm節(jié)點實現的Nvidia H100 GPU相比，NorthPole的能效提高了五倍。
現在，神經擬態(tài)也開始滲入了邊緣AI領域，甚至是改變MCU。
Innatera推出首款商用類腦MCU
最近，初創(chuàng)公司Innatera宣布推出一款名為Pulsar的新型脈沖神經處理器（SNP）。Pulsar 是一種神經形態(tài)信號處理器，旨在以高能效執(zhí)行邊緣AI推理，與傳統(tǒng)的AI處理器相比，新處理器的延遲降低了100倍。
此外，從功耗角度來看，該系統(tǒng)使用內部低功耗PLL和軟件控制的電壓域來降低動態(tài)和待機功耗。多種睡眠模式進一步優(yōu)化了空閑期間的能量消耗。Innatera聲稱該處理器的能耗比傳統(tǒng)的AI處理器低500倍。
Pulsar的底層架構集成了完全可編程的脈沖神經網絡（SNN）結構，針對異步、稀疏數據計算進行了優(yōu)化。為此，Pulsar提供了異構計算架構，將SNN、CNN和傳統(tǒng)CPU任務分開，以優(yōu)化工作負載分區(qū)。
Innatera將處理器設計為靈活的，支持跨不同網絡拓撲的神經元和突觸級參數化，以專門滿足音頻和振動傳感等時空工作負載的需求。為了支持混合工作負載，SNN結構與支持浮點的32位RISC-V CPU和32-MAC CNN加速器一起運行。FFT/IFFT引擎為時頻域應用提供了額外的計算能力。
該處理器的內存子系統(tǒng)包括384 KB通用SRAM、128 KB專用于CNN計算和32 KB保留 SRAM，以通過低功耗轉換保持應用程序狀態(tài)。集成的外設支持包括I2C、UART、SPI、JTAG、ADC、攝像頭接口和GPIO，由分散收集DMA引擎提供支持，以促進尖峰數據處理。供電電壓為1.6V，系統(tǒng)頻率為160MHz，封裝尺寸為2.8mm x 2.6mm/36pin WLCSP，工作溫度-40℃~125℃。
軟件端，Pulsar由Talamo SDK提供支持，它將基于PyTorch的模型訓練與直接硬件映射集成在一起。開發(fā)人員可以使用Python原生編譯器或RISC-V的標準GCC工具鏈來部署模型。
Polyn首款神經擬態(tài)模擬信號處理芯片流片
最近，Polyn Technology宣布其首款基于專有神經擬態(tài)模擬信號處理平臺（Neuromorphic Analog Signal Processing, NASP）模擬芯片正式流片成功，同時NASP芯片進入認證階段，并預計于2025年第二季度正式投放市場。
這款芯片實現了超低功耗和實時信號處理能力，在執(zhí)行信號推理時的功耗低于100μW，某些應用場景如 NeuroVoice VAD模型甚至可降至30μW。如此低的能耗使其非常適合應用于耳機、可穿戴設備、智能輪胎以及預測性維護傳感器節(jié)點等功耗受限的環(huán)境中。此外，NASP可將原始數據量縮減高達1000倍，顯著提升隱私保護水平，減少對云服務的依賴，尤其適合醫(yī)療健康等對數據安全要求極高的領域。在技術資料中，NASP放出了在推理MobileNet V.2時候對比樹莓派3B+和JETSON TX1的結果。
NASP是Polyn技術創(chuàng)新的核心。它是一種混合模擬-數字架構，通過模擬電路模仿生物神經元的分布式、超并行操作。該系統(tǒng)由運算放大器和可編程電阻組成，能夠在不依賴中央處理器或對信號進行數字化預處理的前提下，直接對傳感器數據進行原生推理。
與傳統(tǒng)傳感器數據處理方式不同，NASP前端可在原始音頻輸入階段就進行過濾與壓縮，僅輸出用于后續(xù)處理的關鍵特征向量。這種方式不僅提升了效率，更實現了對信號的“理解”，從而顯著降低帶寬需求和云端依賴。
當它充當邊緣信號傳感器，能夠使用神經擬態(tài)計算處理原始傳感器數據，而無需對模擬信號進行任何數字化。出于這個原因，該公司將其稱為第一款無需模數轉換器（ADC）即可直接在傳感器旁邊使用的神經擬態(tài)模擬TinyML芯片。
NASP 平臺采用“固定 + 靈活”的雙模塊結構：
固定部分：通過硬連線模擬電路實現，負責從原始傳感器數據中提取關鍵特征；
靈活部分：采用標準數字邏輯或低功耗微控制器實現，負責分類與解釋。
這一混合架構將遷移學習引入硬件層面。開發(fā)人員只需重新訓練靈活部分，即可快速適配新任務，例如將原本用于步態(tài)識別的加速度計數據用于跌倒檢測，從而大幅縮短產品迭代周期并降低整體復雜度。
Polyn不僅為NASP自主研發(fā)了編譯器工具鏈，同時在設計流程上，Polyn利用Cadence的Virtuoso和Innovus工具，整合模擬與數字電路設計，并在55納米CMOS工藝上實現流片。
目前，Polyn正與SkyWater、普利司通、英飛凌、TDK等行業(yè)領先企業(yè)展開深度合作。雖然其首款芯片專注于語音處理，但未來的潛在應用場景包括振動分析、生物信號解讀、人機交互等多個領域。
2023年12月，英飛凌曾披露與Polyn的合作，雙方正在合作開發(fā)高級輪胎監(jiān)測產品，英飛凌將提供具有輪胎振動信號檢測功能的新一代TPMS傳感器，并利用Polyn的NFE 對傳感器的振動數據進行預處理。
弗勞恩霍夫開發(fā)出邊緣AI加速器
今年3月，弗勞恩霍夫集成電路研究所 IIS 開發(fā)了一種用于處理脈沖神經網絡（SNN）的AI 芯片。脈沖神經網絡SENNA的推理加速器受到大腦功能的啟發(fā)，由人工神經元組成，可以直接處理電脈沖（尖峰）。其速度、能效和緊湊的設計使得直接在生成數據的地方（即邊緣設備）中使用SNN成為可能。
SENNA是一種神經擬態(tài)芯片，用于在AI應用中快速處理低維時間序列數據。其當前版本由1024個人工神經元組成，芯片面積小于11 mm2。該芯片的響應時間短至 20納秒，可確保精確計時，尤其是在邊緣時間關鍵型應用中。
因此，它的優(yōu)勢在基于事件的傳感器數據的實時評估和閉環(huán)控制系統(tǒng)中真正顯現出來;例如，在使用AI控制小型電動機時。SENNA還可用于在通信系統(tǒng)中實現AI優(yōu)化的數據傳輸。在那里，AI處理器可以分析信號流并根據需要調整傳輸和接收程序，以提高傳輸的效率和性能。
SNN如此節(jié)能的原因之一是神經元僅被少量激活，并且響應特定事件。通過其尖峰神經元，SENNA 充分利用了這一節(jié)能優(yōu)勢。由于其完全并行的處理架構，人工神經元可以精確地映射SNN的時間行為。SENNA還可以通過其集成的尖峰接口直接處理基于尖峰的輸入和輸出信號。通過這種方式，它可以無縫地適應基于事件的數據流?！皯{借其新穎的架構，SENNA 解決了能效、處理速度和多功能性之間的權衡，這是其他邊緣 AI 處理器所無法比擬的。這使得它非常適合資源受限的應用，這些應用需要在納秒范圍內具有極快的響應時間，“Fraunhofer IIS嵌入式AI集團經理 Michael Rothe解釋道。
當前的SENNA參考設計專為22nm制造工藝而設計。這意味著SNN處理器可以用作各種應用中的芯片，并且可以經濟高效地實現。它的設計是可擴展的，可以在芯片生產之前適應特定應用、性能要求和目標硬件的特殊功能。但即使在芯片制造完成后，SENNA仍保留了最大的靈活性，因為它是完全可編程的。使用的SNN模型可以一次又一次地更改并重新傳輸到 SENNA。為了讓開發(fā)人員盡可能輕松地實現他們的AI模型，Fraunhofer IIS 還為 SENNA提供了一個全面的軟件開發(fā)工具包。
神經擬態(tài)到底是啥
目前全世界的神經擬態(tài)芯片結構基本都一致，都是由神經元計算、突觸權重存儲、路由通信三部分構成。不過，比較關鍵的點在于亮點——一是模型，二是器件。
首先，在模型方面，目前神經擬態(tài)芯片普遍采用SNN（脈沖神經網絡）。相較于傳統(tǒng)神經網絡，脈沖神經網絡（SNN）的結構更具“神經”特性。傳統(tǒng)神經網絡依賴矩陣卷積或矩陣乘法實現信號傳播，而SNN在傳播過程中采用了更貼近人類大腦的神經突觸結構。在SNN 網絡中，當脈沖信號積累至特定水平時，神經元會向下一個神經元發(fā)送代表“1”的信號，隨后自身膜電位恢復至較低水平，并在一段時間內進入不應期，無法再次發(fā)送信號。
對于SNN來說，時空動態(tài)性是一個重要的特性。通過引入時間維度，SNN能實現異步計算。SNN擅長處理時空動態(tài)信息，尤其適合與事件驅動型傳感器（如動態(tài)視覺傳感器DVS）結合。目前來看，大多數廠商都選擇SNN+CNN的異構方案，應對不同場景。
其次，在器件實現，依據材料、器件、電路，分為模擬電路主導的神經形態(tài)系統(tǒng)（數?；旌螩MOS型）、全數字電路神經系統(tǒng)（數字CMOS型）、基于新型器件的數?；旌仙窠浶螒B(tài)系統(tǒng)（憶阻器是候選技術）三種流派。
數字CMOS是目前最易產業(yè)化的形式，一方面，技術和制造成熟度高，另一方面，不存在模擬電路的一些顧慮和限制，不過數字CMOS型還只是最初階的類腦芯片，還算不上完全模擬人腦的神經形態(tài)器件。
數?；旌螩MOS是Polyn的實現方式，通過對比來看，這種方式能夠直接省略掉ADC，可以通過可編程電阻直接對傳感器的原生數據進行處理。
憶阻器（Memristor）則是目前科學界也在研究的技術，憶阻器的魅力在于，它不僅是一個存儲單元，同時還能進行計算！想象一下，如果你的硬盤不僅能存儲數據，還能直接進行深度學習計算，那么 AI 訓練的速度將大幅提升。憶阻器的這一特性，使其成為存算一體架構的核心組件。憶阻器存算一體架構正在快速發(fā)展，預計在未來5~10年內將進入商業(yè)化應用。
類腦芯片主要類型和研發(fā)進度，制表丨電子工程世界
目前，國內也有很多企業(yè)在研究神經擬態(tài)計算芯片，他們的主要目標也是邊緣AI。
國內研究則包括清華大學、浙江大學、復旦大學、中科院等頂級學府和機構，同時近兩年不斷涌現初創(chuàng)公司，如靈汐科技、時識科技、中科神經形態(tài)等。其中以清華大學的天機芯和浙江大學的達爾文芯片最具代表性。
邊緣AI正在被顛覆
總之，受人腦啟發(fā)的神經擬態(tài)計算正在顛覆邊緣AI場景。
與傳統(tǒng)的馮·諾依曼架構不同，神經形態(tài)芯片模擬人腦的神經元和突觸結構，具有超低功耗和并行處理能力，特別適合邊緣設備上的AI應用。
畢竟，動不動就上百倍能效提升，可太香了，誰不想要。
目前，英特爾的Loihi、IBM的TrueNorth等神經形態(tài)芯片已展示出在邊緣AI場景下的巨大潛力。
而上文介紹的廠商也已經開始正式在商業(yè)化場景中嘗試使用神經擬態(tài)芯片，雖然出于成本、開發(fā)難度等考量，可能他們并不會完全取代現有的MCU或嵌入式芯片，但在特定場景一定能夠得到很強的應用。一場邊緣新革命即將到來。