“拋棄馮諾依曼架構”，“模仿人類大腦計算”，近年來，這些噱頭為類腦芯片吸引了不少人的注意。他們相中了這類“非傳統”芯片在AI上的潛力，畢竟將AI計算做到大規模和低功耗還是一件不小壯舉。因此類腦芯片被諸多低功耗邊緣應用看好，而傳統的密集型云端計算的重任仍然擔在傳統的AI芯片的肩上。

無論是Fabless，還是IDM，不少大廠其實都在關注邊緣AI的市場，比如英特爾的Movidius和英偉達的Jetson等等。但市面上也有一些廠家在發力類腦芯片的開發，同時探索新架構的芯片上將用到怎樣的軟件開發生態。因為這些類腦芯片往往用到的是脈沖神經網絡（SNN），直接拿常用的卷積神經網絡（CNN）或人工神經網絡（ANN）硬套的話，是萬萬行不通的。也正是因為軟硬件上的雙重挑戰，限制了類腦芯片的商用。

鉆研5載的英特爾

英特爾的類腦芯片已經研究了近5年之久了，早在2017年英特爾就發布了基于14nm制程的Loihi芯片，該芯片具備13萬個神經元，1.3億個神經突觸。2021年英特爾又公布了Loihi的繼任者Loihi 2，該芯片基于更名后的Intel 4制程，將芯片大小從60mm2縮小至31mm2，卻依然集成了百萬個神經元和1.2億神經突觸。

Loihi 2類腦芯片 / 英特爾

雖然這些Loihi芯片都具備可觀的規模，但類腦芯片并沒有走向HPC的高性能之路，而是繼續堅持低功耗的優勢，這一點從英特爾在評估Loihi時進行的應用展示也可以看出。英特爾稱在三年多的研究中，他們嘗試的應用有自適應機器臂控制、學習與識別新的氣味與手勢、比視覺輸入延遲更低的無人機電機控制，以及解決鐵路調度等優化問題。在這些應用中，與傳統CPU加GPU方案動輒幾百瓦的功耗相比，Loihi的功耗甚至不到1W，可以做到mW級的功耗和ms級響應時間。

當然了，單靠類腦芯片的硬件是遠遠不夠的，類腦芯片商業化進展緩慢的一大原因就是缺乏清晰高效的編程模型，為此英特爾開發了一個開源類腦計算框架Lava。Lava不僅支持離線訓練，還可以集成TensorFlow、PyTorch和ROS這樣的第三方框架，開發者可以自行對其進行擴展。

Oheo Gulch板卡 / 英特爾

不過英特爾的Intel 4制程還未正式面世，目前只準備了兩種Loihi 2硬件供研究人員遠程線上測試，一個是用于早期評估的單片系統Oheo Gulch，另一個則是尚未面世的8芯片系統Kapoho Point。

率先商用的Brainchip

英特爾的類腦芯片尚處于發展初期階段，即便是第二代Loihi目前也僅僅只是研究芯片，并沒有一個定下來的商用路線。反觀其他的大廠，IBM的TrueNorth芯片已經多年沒有動靜，而三星的類腦芯片雖然已經宣布可量產，但還沒有任何成品或設計面世。反倒是一家名不見經傳的公司，BrainChip，最先開啟了類腦芯片的商業化道路。

Akida類腦處理器 / BrainChip

去年10月BrainChip發布了兩款開發套件，分別是用于x86的Shuttle PC套件和用于Arm樹莓派的套件，兩個套件均采用了BrainChip的類腦芯片 AKD1000。AKD1000類腦芯片基于BrainChip 的Akida IP和臺積電28nm制程，卻做到了120萬個神經元和100億的神經突觸的規模，功耗范圍在微瓦級到毫瓦級。BrainChip也為Akida處理器準備了MetaTF這一開發環境，支持利用Python編程語言和Jupyter notebooks、Numpy這樣的開發工具和庫，輕易將CNN轉換成SNN。

除了PCIe和Mini-PCIe的開發套件外，Akida也開始在汽車市場露面了。在今年CES梅賽德斯奔馳展示的Vision EQXX概念車中，其語音控制系統就用到了BrainChip的Akida類腦芯片。根據梅賽德斯奔馳的聲明，Akida類腦芯片為其語音控制系統中的關鍵詞檢測提供了更低的功耗，與傳統的語音控制方案相比效率提升了5到10倍。從BrainChip的急速商業化來看，類腦芯片并不一定要像英特爾的Loihi一樣用上先進制程，也能做到優秀的性能。

浙大的達爾文芯片

不少高校同樣開展了類腦芯片的研究，其中之一就是浙江大學。2015年和2019年，浙江大學分別推出了第一代和第二代達爾文類腦計算芯片，其聯合之江實驗室也在2020年成功研制出當時神經元規模最大的類腦計算機Darwin Mouse。該計算機內部包含792顆達爾文2代類腦芯片，共1.2億神經元，近千億神經突觸，功耗范圍在350W到500W范圍內，由此計算達爾文2代類腦芯片的單片規模為15萬神經元和1.2億神經突觸左右。

這792顆芯片采用了每四顆芯片組成一塊板子，再由多塊板子組成模塊打造類腦計算機，由此可見的達爾文2代類腦計算芯片的擴展性。為了完成神經元的高效互聯和調用，其科研人員還開發了面向該計算機的類腦操作系統DarwinOS，并基于該計算機和操作系統完成了多種智能任務，比如多個抗洪搶險機器人的協同、基于腦電信號的“意念打字”和音樂詩詞的時序記憶等。

不過這樣的類腦計算機體積依然是一個問題，在792顆芯片的拼裝下，這臺計算機占據了3個1.6米高的機柜，如何進一步減小芯片體積都是實現邊緣AI計算最急迫的問題。而且達爾文芯片的規模還有提升的空間，Darwin Mouse類腦計算機的神經元和突觸規模看似很大，與生物大腦相比也就只有小鼠大腦的規模，離人類的大腦規模還有很大的差距。雖然可以犧牲體積，但這與邊緣AI的愿景就有些背道而馳了。

結語

從目前的應用市場來看，類腦芯片尚處于一個研究發展階段，還存在軟硬件開發不成熟的問題。雖然已經有了大廠入局，但目前連量產都不成熟，應用方向上也在探索傳統AI芯片走過的老路。固然類腦芯片的前景值得期待，至于大規模商用，仍是一個比較遙遠的夢。