跳出GPU，印度团队探索神经形态AI芯片

神经形态计算通过稀疏、事件驱动计算，以内存为中心的架构以及异步通信，模拟生物大脑的工作方式。印度科研人员将其视为降低人工智能能耗、同时实现全新硬件设计的一条路径。

在接受采访时，喀拉拉邦印度信息技术与管理研究所（IIITM-K）所长Alex P. James表示：“如今我们需要处理海量数据。如果能耗随数据量同步增长，这种模式不具备可持续性。”

研究人员常会拿人脑做对比。James说：“人脑运行功耗大约只有20瓦，对于神经形态系统所要实现的各类智能任务来说，这可以看作黄金标准。”

数十年来，半导体性能提升主要依靠缩小晶体管尺寸、提升处理器复杂度。这套思路催生了性能越来越强的CPU、GPU与AI加速器，但或许不足以解决AI持续增长的能耗需求。神经科学仍在不断发展，因此研究人员正在探索多种架构方案，而不是收敛到单一路线。James表示：“我们尚未完全读懂大脑。我们了解它的生理结构，但还无法完整理解它所有层面的功能机制。”

脉冲为何重要

脉冲神经网络（SNN）是神经形态研究反复出现的核心概念。传统深度神经网络持续执行乘累加（MAC）运算，而脉冲系统只有在神经元产生事件时才进行信息交互。

James说：“大脑不会时刻动用全部算力。在执行特定任务时，大量神经元保持休眠。这可以大幅节省能耗，并非所有单元都需要一直开启。”

印度理工学院孟买分校（IIT Bombay）的Udayan Ganguly教授团队改造量子隧穿电流，制作出超低功耗神经形态神经元；而这种漏电流，是传统芯片设计者通常想要抑制的效应。

和数字处理器不同，神经形态系统不依赖全局时钟，采用异步运行方式，依靠脉冲的时序与编码模式传递信息。人工神经元遵循类似生物原理：接收输入信号不断累积，超过阈值后产生脉冲，随后复位。在电路上，可以用电容、电流源、泄漏电阻和阈值电路实现。

IIT孟买团队没有采用常规晶体管工作模式，转而利用量子隧穿电流。Ganguly介绍：“晶体管处于深度关断状态时，会产生量子隧穿电流。我们将该隧穿电流用作电流源，这种漏电流缓慢给神经元电容充电。”

该设计采用格芯45纳米标准CMOS工艺流片，证明这套方案可以使用成熟制造工艺实现。

团队表示，研制出的这款神经元功耗比同类实现方案低约1000倍；相比基于亚阈值技术的等效低功耗设计，工艺、电压、温度带来的波动降低约5倍。Ganguly称，该机制同时提升了器件稳定性。

基于脉冲神经元搭建语音识别系统

为证明这套思路不只适用于单个电路，Ganguly团队搭建了一套完整的神经形态语音识别系统，融合器件物理、电路设计、算法与硬件实现。

该演示系统攻克了传统模式识别系统同样面临的难题：记忆随时间陆续输入的信息。Ganguly解释：“系统需要存储器保存前期声音信息，当完整序列接收完毕后，才能识别整体特征。”

研究团队采用液态机（liquid-state machine）实现该功能，这是一种循环脉冲神经网络，天然可以捕捉时序信息。“原理类似水滴落入水面产生涟漪，涟漪会慢慢消散，相当于对事件形成短时记忆。”Ganguly说道。

语音信号会被转换为脉冲序列，循环连接结构保留足够信息，完成完整单词分类。很多深度学习模型需要多级处理，而液态机仅用两层网络即可完成识别。

在标准基准数据集测试下，仅使用约100个神经元，系统分类准确率接近99%，证明小规模脉冲网络可以完成实用AI任务。Ganguly表示，该网络也可改造用于视觉等其他场景。

团队完成硬件制备，实现了端到端信号链路。“格芯通过高校计划为我们提供免费流片机会，我们是印度首个参与该项目的高校。”Ganguly说。

整套系统分为三级。“第一级实现滤波和人工听觉模块；第二级是循环神经网络；第三级负责分类。”芯片内的循环神经网络包含36个神经元，能够根据持续输入芯片的脉冲序列，输出脉冲特征。在二分类语音识别任务（例如 “是 / 否”、“启动 / 停止”）测试中，整套硬件系统错误率低于2%。

Ganguly介绍：“我们的研究出发点是数据中心巨大的功耗。现代处理器会产生大量热量，但人脑并不会像芯片一样明显发热。”制备的神经元工作频率约100千赫兹，面积约40平方微米，待机功耗2.7皮瓦，每个脉冲能耗约8飞焦，Ganguly称这个指标接近人脑水平。

内存走向计算核心

脉冲神经网络并非唯一的神经形态架构。James提到细胞神经网络、层级时序记忆系统等其他仿生模型，各自侧重不同类脑特性，例如稳定性与容错能力。

另一大研究方向聚焦存储器件本身，而非神经元模型。印度科学学院（IISc）班加罗尔分校Sreetosh Goswami教授与Navakanta Bhat教授带领团队，近期研制出基于钌化合物的分子忆阻器，模拟分辨率可达14bit，能效为4.10TOPS/W。该器件面向存内计算，矩阵运算直接在存储阵列内部完成，不再需要在存储器和处理器之间反复搬运数据。

James认为，未来AI硬件对算术单元的依赖会下降，更多依靠存储本身。他提到模拟、以内存为中心的架构，存储可编程电导值而非二进制状态；网络权重直接编码，乘累加运算可在交叉阵列中自然完成。“数字系统完成一次32位乘法可能需要数百个逻辑门，而同样运算仅依靠少数存储器件就能实现。”James说。

印度科学学院的研究遵循相同原理。分子忆阻器不存储二进制数值，而是存储代表神经网络权重的模拟电导状态。当在交叉阵列两端施加输入电压，借助欧姆定律完成乘法，依靠基尔霍夫电流定律实现累加，可并行完成数千次乘累加运算。

这类架构能够缩小芯片面积、降低能耗，但同时带来模数转换、精度、器件波动等新挑战。Goswami和Bhat团队在分子层面调控开关机制，解决了其中一项精度难题。很多阻变存储器依靠随机缺陷生成，而这款钌基器件通过确定性分子过程实现开关，电导更新线性、对称，覆盖四个数量级。

稀疏性也起到相似作用。James说：“脉冲系统用0和1表达信息。只要其中一个输入为0，乘法结果就为0。闲置神经元直接跳过运算，几乎不消耗能耗，降低计算开销。”

印度科学学院团队正将该器件集成到一款混合信号AI推理加速器中，依托纳米科学与工程中心孵化的初创企业，采用台积电22nm工艺开发。原型使用交叉阵列实现存内计算，融合模拟计算与数字控制逻辑。

商业化成败取决于应用

历经数十年研究，神经形态计算仍未大规模商用。James认为挑战不只是技术层面，还要证明明确的商业价值。“一项技术从理念走向市场，需要科学、工程与商业三方面支撑。商业维度尤为关键，因为它和应用场景绑定。”

研究人员首先需要证明，神经形态架构在解决真实场景问题时优于传统硬件。James表示：“每一种架构都需要概念验证演示，证明它在实际应用中有显著优势。在此基础上，工程技术才能把概念转化为可量产产品。”

James提醒，仿生算法不会自动转化为高效芯片。部分算法适合模拟 / 混合信号硬件，另一些更适配存内计算或是全新器件技术。“我们不会只锁定单一硬件平台，而是持续探索、筛选最适合实现这类思路的硬件方案。”

归根结底，经济性才是最终决定因素。

一项跨学科挑战

两位研究者都强调，神经形态计算早已超出半导体设计范畴，要求过去相互独立的学科协同工作。“计算机科学家未必和电子工程师深度协作，神经科学家也很少和这两类群体交流。神经形态计算正在改变这一点。生物学家、数学家、电子工程师、计算机科学家共同攻关同一个问题。”

他补充道：“如果该方向持续推进，我相信我们终将攻克当代最重要的科学与工程难题之一。”

Ganguly的目标更为长远： “如果我们能制造神经元、突触原生通信方式与人脑一致的芯片，未来或许有望替换受损的脑组织。我们还可以构建人脑模型，更好理解思维与情绪。”他坦言这类应用距离落地还有数十年：“这是20年的远景目标，不是当下正在做的，但未来可能深刻影响所有人。”

现阶段，神经形态计算仍处在活跃研究阶段，尚不能替代GPU。各类技术路线差异很大：IIT孟买利用传统CMOS中的量子隧穿电流开发超低功耗脉冲神经元；印度科学学院班加罗尔分校研发分子忆阻器，用于模拟存内计算；IIITM-K的James等学者，则研究器件的组织架构方案。对印度而言，这些项目共同推动神经形态计算在器件、电路、架构、系统多个层面同步发展。

随着功耗与扩展性瓶颈愈发突出，科研人员认为，类脑计算是下一代智能机器最具潜力的方向之一。