当 GPT 级大模型每次推理都要在数据中心里烧掉一座小型电站的电量时，一个尴尬的对比始终悬在 AI 行业头顶：你脖子上面那个器官，只靠 20 瓦的功率——大概是一个昏暗灯泡的能耗——就能完成实时感知、终身学习、跨模态推理，而训练它的"人工"对手却要消耗数百万瓦。《Neuromorphic Computing: AI Chips That Mimic the Human Brain》这期深度解读视频，正是把镜头对准了这个反差，讲清楚一件事：我们其实从一开始就用错了芯片架构。
这期视频值得看，不是因为它又给你科普了一遍"AI 很火"，而是它从一个被多数人忽略的物理层面——芯片的能耗与架构——切入，解释了为什么传统 GPU 路线存在一道绕不过去的物理天花板，以及"类脑计算（neuromorphic computing）"凭什么可能是破局的关键。更值得说的是，就在这期视频讨论的方向上，2026 年 6 月 12 日香港大学刚刚在 Nature Communications 上发表了一项把类脑芯片推进到"近绝对零度"的突破——它不只是省电，更直接瞄准了量子计算机最头疼的"接线噩梦"。我把视频的概念框架和这项最新研究揉在一起，给你做一次从底层原理到产业落地的完整拆解。
| 项目 | 内容 |
|---|---|
| 视频标题 | Neuromorphic Computing: AI Chips That Mimic the Human Brain |
| 平台 | YouTube |
| 核心主题 | 类脑计算如何模仿大脑的脉冲神经网络，从架构层面解决AI能耗与效率问题 |
| 关键概念 | 冯诺依曼瓶颈、脉冲神经网络(SNN)、事件驱动计算、IBM NorthPole、Intel Loihi |
| 视频定位 | 深度科普 + 硬件架构分析 |
| 延伸锚点 | 港大2026年6月《Nature Communications》近绝对零度类脑芯片（DOI: 10.1038/s41467-026-70963-6） |
视频开篇点出的第一性原理问题，是几乎所有现代计算机的"原罪"——冯诺依曼架构（von Neumann architecture）。这套诞生于 1945 年的设计把"计算"和"存储"严格分开：处理器（CPU/GPU）在一头，内存在另一头，两者之间靠一条数据总线来回搬运。在过去 80 年里，这条架构统治了几乎所有计算机。
问题在于，摩尔定律让处理器越来越快，但内存的速度没跟上，于是两者之间形成了一道著名的"内存墙（memory wall）"。视频用一个形象的比喻说明：这就像一个厨师（处理器）手艺极快，但所有食材都锁在隔壁仓库（内存）里，他大部分时间不是在炒菜，而是在跑仓库取货。搬运数据的能耗，远远超过了真正做计算的能耗。
把这个矛盾放到 AI 上就被无限放大。一次大模型推理，海量权重参数要在显存和计算核心之间反复搬运，GPU 真正"算"的时间占比其实不高，大量能量消耗在数据搬运和待命上。这就是为什么训练一个大模型的电费动辄数百万美元、为什么数据中心的散热成了天文数字级别的工程难题。而作为对照，大脑的 20 瓦里，绝大部分能量是真正用于"计算"的——因为大脑根本不存在"搬运"这个问题，记忆和计算发生在同一个地方、同一群神经元里。这是后面所有类脑设计的逻辑起点。
视频接着澄清了一个被广泛误解的点：今天主流的深度学习"神经网络（ANN）"，其实并不怎么像大脑。标准的人工神经元本质是一个加权求和再过激活函数的数学运算，输出的是连续浮点数；它们必须每一层都"全员待命"、同步计算，才能完成一次前向传播。
大脑的真正语言是"脉冲（spike）"。 视频详细解释了脉冲神经网络（Spiking Neural Network, SNN）：生物神经元平时是沉默的，只有当膜电位累积到阈值时，才会瞬间发放一个极短的电脉冲，然后复位。信息不仅编码在脉冲的有无里，更编码在脉冲的时间（timing）里。绝大多数神经元在大多数时刻是静默的，只有真正"有事发生"时才发放。
这种机制带来一个革命性的特性：事件驱动（event-driven）计算。摄像头里静止的背景不产生数据，只有变化的部分才触发计算；音频里没声音的片段几乎不耗能。视频强调，这意味着类脑芯片的能耗与"场景里真正发生的事件数量"成正比，而不是与"时钟频率×晶体管总数"成正比。这正是大脑能用 20 瓦做实时感知的物理根源——它不是算得更快，而是只在需要时才算。这部分是视频的核心论点，也是后续所有硬件设计的理论依据。
概念清楚了，视频进入工程实证环节，重点拆了两块里程碑芯片。
IBM NorthPole 是视频浓墨重彩的一笔。根据 IBM Research 与《Nature》的报道，NorthPole 把计算和存储"缠绕"在同一块芯片上——没有片外内存（no off-chip memory），没有传统意义上的集中控制总线，计算与存储物理上合一。结果就是它彻底绕开了冯诺依曼瓶颈：在图像推理任务上，它的速度可达当时主流方案的 20 倍以上，能效高出约 25 倍。《Nature》当时用"mind-blowing（令人震惊）"来形容它。视频强调，NorthPole 证明了"存算一体（compute-in-memory）"不是实验室玩具，而是真能碾压传统架构的工程路线。
Intel Loihi 2 则代表了另一条技术路线——数字、异步、无时钟（clockless）的脉冲处理器。它由 6 个 Lakemont x86 控制核和 128 个完全可编程的异步神经元核组成，每个神经元都可以单独配置参数和学习规则，甚至支持片上在线学习（on-chip learning）。视频提到，Intel 在 2026 年把这些芯片组装成了更大规模的 Hala Point 类脑系统，把类脑计算从单芯片推向了系统级。两条路线（IBM 的存算一体、Intel 的异步脉冲）共同回答了同一个问题：要逼近大脑的能效，就必须从架构层面推翻"存算分离 + 全员同步"这两个冯诺依曼假设。
以上是视频给出的概念地图。从这里开始是我的延伸分析，锚定的是 2026 年 6 月 12 日刚发表在 Nature Communications 上的一项研究——它把类脑计算推进到了一个全新的极端环境。
香港大学电机电子工程系与先进半导体及集成电路中心（CASIC）的张宇昊（Yuhao Zhang）教授团队，联合博士生杨鑫（Xin Yang），做出了一块能在接近绝对零度（低至 10 毫开尔文，10 millikelvin）正常工作的可编程类脑芯片。论文题为《Cryogenic neuromorphic circuits using gate-controlled negative differential resistance in silicon carbide》（基于碳化硅中栅控负微分电阻的低温类脑电路）。
真正的巧思在于材料与物理机制的选择。他们用的是碳化硅（SiC）MOSFET——这是电动车和电网里常见的功率器件，并不是什么稀缺新材料。但在接近绝对零度的极端低温下，他们发现这种器件会展现出一种"S 形负微分电阻（negative differential resistance, NDR）"特性，背后的物理机制是电子-施主碰撞电离（electron-donor impact ionization, EDII）——一个由原子晶格决定的纯电子学过程，完全不依赖热效应。
这个 NDR 特性恰好可以用来模拟生物神经元的脉冲发放。换句话说，他们用一颗功率器件，在 10 毫开尔文下"伪装"成了一个会发放脉冲的神经元，而且首次在低温环境下验证了这种类脑功能。这项工作的价值不在于"又造了一颗类脑芯片"，而在于它解决了类脑芯片此前无法触及的一个关键战场——超低温环境。
这项突破为什么重要？答案藏在量子计算机的物理约束里，这也是普通科普视频很少讲到的层次。
量子比特（qubit）的量子相干性对温度极其敏感，必须被关在稀释制冷机（dilution refrigerator）里，维持在毫开尔文量级的极低温。但讽刺的是，控制这些量子比特的电子线路，绝大多数仍是用常温硅芯片做的，它们会发热，不能和量子比特待在一起。于是现实中的量子计算机长成这样：制冷机里是芯片，外面一圈是层层叠叠的控制电路，中间靠成百上千根细如发丝的导线连接。
这套"接线"是量子计算规模化最大的工程瓶颈之一。导线带来信号延迟、衰减、串扰，更要命的是它们把室外的热量顺着导线"漏"进了制冷机，稀释制冷机的制冷功率本来就用瓦来计，这点漏热就足以让整套系统崩溃。视频里讲的是 GPU 的能耗天花板，而量子计算的能耗天花板，本质上是"控制电路的发热量 vs 制冷机的制冷量"的拉锯。
港大的 SiC 类脑芯片，恰好同时击中了两个痛点：第一，它能直接在毫开尔文下和量子比特待在一起，省掉长导线，从根上消除漏热和延迟；第二，类脑芯片的事件驱动特性让它能耗极低——论文指出其能效比传统硅电子线路高出数千倍。把热源从"千瓦级常温控制柜"换成"近零功耗的低温脉冲神经元"，量子计算机才有可能真正往大规模堆叠。更妙的是，研究团队还演示了把这些低温神经元晶体管互连成级联网络，能在冷区里就地做数据处理，为量子纠错（quantum error correction）的实时本地控制打开了大门——而这正是容错量子计算的核心前提。
视频结尾留了一个开放问题：类脑计算喊了这么多年，到底能不能产业化？港大这项研究其实给出了一条少见的、可信的产业化路径，这是我的延伸判断。
第一是材料红利。SiC 不是实验室里的稀有矿物，它是电动车和电网功率器件的主力材料，背后是一整套成熟的 8 英寸（200mm）、并向 12 英寸（300mm）迈进的晶圆量产线。研究团队明确指出，借助这套现成的 SiC 工业基础设施，这些低温器件有望在 300mm 晶圆上规模化制造——这意味着它不需要从头造一套新产业，而是搭了电动车时代的便车。
第二是NDR 机制的鲁棒性。因为它依赖的是纯电子学过程而非热激活，效应可重复、可跨批次一致——这是芯片量产最看重的"均匀性（uniformity）"指标，恰恰是很多量子/低温器件卡在实验室的根源。
第三是双场景刚需。除了量子计算，论文还点出了深空探测：月球表面和深空探测器要忍受极端低温甚至深冷，传统硅器件会失效，而 SiC 类脑电路天生抗冻、能就地做自主决策。两个"必须低温工作"的场景（量子制冷机、深空），同时为这项技术提供了真实需求，而不是"先造出来再找应用"。
flowchart TD
A["冯诺依曼架构原罪<br/>存算分离 + 同步时钟"] --> B["内存墙 Memory Wall<br/>搬运能耗 >> 计算能耗"]
B --> C["AI 能耗危机<br/>GPU 训练 = 百万瓦级"]
C -.对比.-> D["大脑: 20瓦<br/>记忆与计算合一"]
D --> E["类脑计算 Neuromorphic<br/>脉冲神经网络 SNN"]
E --> F["事件驱动 Event-Driven<br/>只有'变化'才耗能"]
E --> G["两条工程路线"]
G --> H["IBM NorthPole<br/>存算一体 无片外内存<br/>~25倍能效"]
G --> I["Intel Loihi 2<br/>异步 无时钟 128神经元核<br/>Hala Point 系统"]
E --> J["2026.06 港大突破<br/>Nature Communications"]
J --> K["SiC MOSFET @ 10毫开尔文<br/>负微分电阻 NDR / EDII"]
K --> L["近零功耗的低温脉冲神经元"]
L --> M["战场一: 量子计算<br/>消除接线漏热<br/>本地量子纠错"]
L --> N["战场二: 深空探测<br/>抗深冷 自主决策"]
K --> O["产业落地<br/>复用电动车 SiC 300mm产线"]
如果你是硬件/芯片从业者，这期视频的价值在于帮你跳出"堆算力 = 堆 GPU"的单一路径思维。冯诺依曼瓶颈不是能靠制程微缩解决的——3nm、2nm 缩到极限，搬运数据的能耗墙依然在那里。真正改变能效数量级的，是架构层面的存算一体（NorthPole 路线）和事件驱动（SNN 路线）。值得关注的不是某一颗芯片，而是"计算与存储物理合一""只在有事件时计算"这两条设计原则——它们可以迁移到边缘 AI、物联网传感器、可穿戴设备等对功耗极度敏感的场景。港大 SiC 工作则提示了一条选材策略：与其追逐新材料，不如在成熟材料（SiC）里挖掘极端条件下的新物理机制，这样才有 300mm 量产的现实路径。
如果你是 AI/算法工程师，理解脉冲神经网络能帮你打开"稀疏 + 时间维度"这扇门。当前主流大模型是稠密、同步、浮点的，而真实世界的信号（视觉、听觉、触觉）天然是稀疏和事件的。SNN 和事件相机（event camera）结合，已经在无人机避障、高速机器人等场景展现出传统方法达不到的延迟和能效。即使你不直接用 SNN，"用稀疏激活替代稠密计算"这个思想，也正在影响大模型的推理优化（如 MoE、推测解码）。
对普通读者的认知升级，可以浓缩成一句话：大脑的"省电"不是因为它慢，而是因为它只在必要时才算。这个原则其实适用于一切系统设计——从你管理注意力，到团队分配资源，到产品砍功能。"持续全员待命"几乎永远是最贵的方案，"事件触发的局部响应"才是高效系统的底色。
对投资人/产业观察者，类脑计算正在从"学术 curiosity"转向"特定场景刚需"。判断一家类脑公司是否靠谱，就看它有没有绑定一个非用类脑不可的极端场景（低温量子控制、深空、超低功耗边缘 AI），而不是泛泛地说"比 GPU 省电"。港大工作的精明之处，正是把类脑芯片锚定在"必须低温工作"这个 GPU 永远进不去的战场。
research.ibm.com/blog/northpole-ibm-ai-chip，看存算一体架构的第一手说明，附有"无片外内存"的设计图。intel.com/.../neuromorphic-computing-loihi-2-technology-brief，理解异步无时钟神经元核的工程实现。10.1038/s41467-026-70963-6，想深挖 NDR/EDII 物理机制的必读。类脑计算的本质，是用"记忆与计算合一、只在事件发生时才算"这两条原则，从架构层面而不是制程层面，去逼近大脑 20 瓦的能效极限——而港大 2026 年 6 月的近绝对零度 SiC 类脑芯片，把这场能效革命推进到了量子计算和深空探测这两个 GPU 永远进不去的极端战场。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。