智能的边缘：神经形态计算如何改变人工智能

想象一下，一架无人机凭借类似昆虫的反应能力在仓库中穿梭，或者一个假肢能够实时适应用户。这些都不是遥远的未来概念。它们是神经形态计算的早期验证点，神经形态计算是一种旨在模仿人类大脑的新型 人工智能 (AI) 硬件。

神经形态芯片 使用脉冲神经网络 (SNN) 处理数据，该神经网络仅在有意义的输入时激活，类似于生物神经元。与将内存和处理单元分离的中央处理器 (CPU) 和图形处理单元 (GPU) 不同，神经形态计算将这些组件集成在一起，以实现高效的并行数据处理（参见 图 1）。

其结果是显著降低功耗、加快响应时间，并实现紧凑设计，适用于边缘受限环境。这一点比以往任何时候都更加重要，预计全球边缘基础设施支出将 在 2025 年达到 2610 亿美元，到 2028 年将达到 3800 亿美元。

图 1. BrainScaleS-2 单神经形态芯片是用于神经形态计算应用的系统之一。资料来源： Open Neuromorphic。

神经形态计算的工作原理

神经形态芯片将内存和计算功能集成到精确的位置。这种设计避免了 冯·诺依曼瓶颈——数据在独立的处理单元和内存单元之间不断移动时出现瓶颈。这些芯片并非持续不断地处理数据，而是异步运行，仅在传感器输入发生变化时触发计算。这种事件驱动模型可以最大限度地减少不必要的处理，并与传统系统相比， 将功耗降低高达 100 倍 。

例如，英特尔的 Loihi仅使用 70 毫瓦的功率即可模拟超过一百万个神经元。执行类似工作负载的传统 GPU 可能消耗几瓦甚至几千瓦的功率，这限制了它们在远程或移动环境中的使用。

神经形态计算的优势

神经形态计算并非关乎边际收益，它代表了人工智能在边缘运行方式的结构性变化。

超低能耗

通过模仿神经元仅在必要时激发的方式，神经形态芯片 可将空闲功耗降低多达 100 倍。

低延迟

脉冲网络支持 100 毫秒以下的响应时间，这对于机器人、实时诊断和闭环控制系统至关重要。

并行处理

异步执行允许这些系统同时处理多个传感器输入而不会产生瓶颈。

噪声耐受性

神经形态芯片非常适合混乱的环境，并且可以比传统的人工智能模型更有效地处理不完整或非结构化的数据。

紧凑型设计

降低功率和热量需求允许部署在嵌入式设备中，从而无需大型冷却系统或卸载到云端。

综合起来，这些特点表明神经形态系统可以支持数据中心之外的高效、自主的人工智能。

神经形态计算用例

医疗保健

神经形态芯片正被用于低功耗心电图分析和响应实时运动的自适应假肢（ 见图3）。SpiNNaker 和BrainScaleS 等平台已证明类脑处理在医疗领域中的可行性。英特尔Loihi等新型芯片已在脑机接口领域展现出良好前景，能够解码神经信号来 控制机器人肢体， 为恢复活动能力铺平道路（ 见图2）。

使用 SNN 进行分子模拟和蛋白质折叠 研究可以帮助降低能源成本，从而可能提高药物开发和医疗的效率和可负担性。

图 2. 图片 A（左）：神经形态控制的轮椅式机械臂原型，由研究作者 Yuval Zaidel 演示。图片 B（右）：控制架构：脉冲神经网络处理加速度计数据，实现实时位置自适应。来源： Frontiers | 轮椅式机械臂的自适应控制，集成神经形态速度读数和在线学习功能。

气候建模和物理学

在欧洲核子 研究中心（CERN）， 受神经形态原理启发的基于事件的传感器 已被用于在嘈杂、高吞吐量的环境中追踪粒子。 桑迪亚国家实验室（Sandia National Laboratories） 正在使用类似的芯片来降低 气候模拟所需的能耗，而气候模拟 领域传统上由超级计算机主导。

机器人和物联网

麻省理工学院 (MIT) 的抓取神经过程展示了一种由 SNN 驱动的机械臂，该机械臂经过 1,000 个几何图形和 5,000 个物体的训练，能够在仓库等动态环境中进行可靠的拾取。

研究人员利用动态视觉传感器 (DVS)，这种受视网膜启发的相机，来捕捉光线的变化。这些传感器使无人机能够以 昆虫般的敏捷性和超低延迟在拥挤的空间中导航。

像 Prophesee 这样的公司已经将 基于事件的视觉系统商业化，用于智能监控，从而降低了带宽和能耗。他们的传感器每秒可实现超过 10,000 帧的帧率，同时功耗更低。

图 3. 体感神经假体的开发依赖于三个主要支柱：（1）使用计算机模型模拟神经系统对触觉的反应（蓝色部分）；（2）在动物身上进行测试以验证神经刺激策略（橙色部分）；DRG—背根神经节。（3）正在进行人体临床试验，以评估该技术在现实生活中的有效性（绿色部分）。来源： 《自然通讯》。

金融和网络安全

IBM 已探索使用 SNN 进行 欺诈检测。他们训练的模型能够高精度地识别金融交易中的模式。这些系统能够以最少的数据适应新兴威胁。

基础设施需要什么

支持神经形态系统需要的不仅仅是边缘的增量升级。它需要专门构建的基础设施（ 见图 4），该基础设施能够根据需求扩展，适应不断变化的工作负载，并适用于空间或电力受限的环境。

例如， 直接芯片液体冷却 比单独使用空气冷却更有效地管理零星热量。Vertiv ™ Coolchip 方法结合了液体和空气冷却，有助于保持稳定的性能，同时降低总体能耗。同样， 电力输送系统 必须快速响应急剧的电流变化，而不能过度建设，这会增加成本和物理占用空间。高速互连对于支持快速、本地化的数据处理也必不可少。

在操作方面，神经形态工作负载需要不同的思维方式。SNN 和异步架构与大多数 AI 训练流程中使用的模型有着根本的不同。团队必须了解如何使用事件驱动系统以及如何维护它们。工程师必须围绕不可预测的负载和动态行为进行设计。

图 4.例如，模块化解决方案（如 采用 Vertiv™ CoolChip 的 Vertiv™ 基础设施解决方案）将直接芯片液体冷却与适应性空气侧策略相结合，已被设计用于处理边缘的高性能工作负载（如神经形态计算）。

为下一步做准备

神经形态计算并非空谈。它正在重塑边缘智能的运作方式。从机器人、医疗保健到气候建模和网络安全，各种应用都已落地。目前滞后的是基础设施。

如果您计划在边缘部署 AI，则需要专门设计用于支持这些新工作负载的系统。这意味着需要评估机架密度、散热策略和电源响应能力。这还意味着需要投资于了解这种新 AI 范式的人才：既需要神经科学知识，也需要工程学知识，还需要系统设计知识。

边缘人工智能的发展取决于当前的基础设施如何满足新兴需求。

访问 Vertiv™ AI Hub ，探索专为神经形态性能构建的基础设施解决方案—在边缘，实时，并具有可扩展的效率。