类脑计算 神经形态计算深度产业报告.pdfVIP

Brain-inspiredComputing/Neuromorphic

Computing

类脑计算/神经形态计算

QbitaiIndustryInsightsReport

深度产业报告

1

量子位硬科技深度产业报告——类脑计算/神经形态计算

引言

近年来深度神经网络（DNN）取得了令人瞩目的进步，但与人脑相比，DNN在信息处理的效率（速度和功耗）上

表现仍不够好。在人脑中，信息以连续的方式快速处理，而DNN系统中所处理的是一幅幅静态图像，而且计算密

集。

在传统DNN中，计算、存取数据时的“内存墙”问题，导致大量数据搬运中产生额外功耗以及延迟。此外，精确

计算也是DNN的另一特征——即便是无价值的输入，也会全部参与计算，导致计算资源浪费且计算效率低。

相反，人脑中神经元以脉冲的形式进行信息传递。每当神经元发出脉冲信号时（被激活），脉冲信号会传输到所

连接的神经元进行处理。若未能达到触发阈值，神经元则处于非激活状态，并且存储对过去输入的记忆，因此人

脑采用的是一种稀疏的、空时域信息处理机制。

人脑作为一个极度优化的系统，在高并行工作时功耗仅为20W左右——大脑中约870亿个神经元高度非线性地工作，

每个神经元在外部和内部都与其他神经元有多达10,000个连接，在内部承载着数十万个协调的并行过程。这样庞

大的网络却有如此低的能耗，使得人类大脑在处理复杂问题时具有绝对优势。

如今，人工智能的发展主要依靠庞大的数据量和精确计算。在冯诺依曼架构下，庞大的数据量意味着计算机承担

着频繁且大规模的运算，随之而来的就是功耗极速上升。随着各国碳中和脚步加快，高能耗甚至需要企业付出额

外成本。尽管我国没有明确碳排放超标的惩罚措施，但庞大计算量产生的用电成本、维护成本就不是一般人工智

能企业可以支付起的。因此，人工智能的“可持续发展”一定是建立在功耗成本可控的基础上。

如何将计算机的功耗控制在合理范围内呢？借鉴人脑特性自然成为研究人员共同关注的方向。

相比于当前最先进的系统，模仿大脑运行机制的硬件系统具有高效和低功耗特点。模仿大脑行为的神经网络被称

为神经形态网络，其代表为脉冲神经网络（SNN），也是目前类脑研究的核心。这种被称为“第三代神经网络”

的出现，可以弥合神经科学与机器学习之间的鸿沟，使用神经元模型进行信息编码和计算，借鉴生物脑稀疏的、

空时域信息处理机制，充分发挥神经网络的效率。

模仿大脑神经结构和工作原理而创新出来的神经形态计算被称为类脑计算。欧洲的HBP（人脑计划）曾指出，

“未来10-20年内，谁要引领世界经济，谁就必须在这个领域领先”。

2

量子位硬科技深度产业报告——类脑计算/神经形态计算

目录

技术篇

04概述

05脉冲神经网络

06技术生态

10研究进展

12技术难点

价值篇

14直接价值

16间接价值

产业篇

17行业现状

19玩家分析

23潜在商业化路径

25行业关键驱动因素

3

量子位硬科技深度产业报告——类脑计算/神经形态计算

技术篇

概述

人工智能的发展途径

当前，人工智能的发展有两个主要路径，一个是沿计算机科学发展而来的深度学习途径，另一个是沿着模仿人脑发

展而来的类脑计算途径。

•深度学习途径

这个方向的发展主要通过FPGA或ASIC方式设计芯片模块，或采用分布式存储的整体架构来提高计算的能效比和速

度。

架构设计主要以高效支持当前的深度学习为优化目标，通过大规模的并行计算提升计算密度，从而获得性能提升。

典型代表包括谷歌的TPU、Graphcore的IPU、阿里的含光800等。

这类芯片通常面向特定领域的专门应用，需要大量的数据训练神经网络，其较长的设计迭代周期也增加了芯片的开

发应用成本。

•类脑计算途径

这个方向是以模拟人脑神经网络计算为