人类大脑每天完成视觉识别、语言理解、记忆检索和复杂决策，却只消耗大约20瓦功率，差不多相当于一只小灯泡。与之相比，今天训练和运行大型人工智能模型往往需要庞大的GPU集群、冷却系统和持续供电，这种反差正在把“类脑计算”重新推到计算机科学的聚光灯下。

所谓类脑计算，并不是简单把神经网络做得更像大脑，而是从硬件和信息处理方式上重新思考计算。它试图借鉴神经元稀疏放电、事件驱动以及存储与计算紧密结合的机制，让机器只在真正需要时消耗能量。

大脑为何如此省电

人脑拥有大约860亿个神经元，每个神经元都可能通过突触与成千上万个邻居相连。它们并不会像传统芯片那样按照统一时钟不断运转，而是在输入累积到一定阈值时才产生短暂电脉冲。

这种“有事才工作”的方式极其节能。绝大多数神经元在任何一个瞬间都处于相对安静状态，能量集中用于少数真正活跃的通路。

更重要的是，大脑没有严格区分处理器和存储器。突触既保存连接强度，也直接参与信息处理，记忆和计算发生在同一个地方。

传统计算机则沿用冯·诺依曼架构，处理器和内存彼此分离。每一次运算都要不断搬运数据，而今天AI的大规模矩阵计算恰恰需要海量数据往返，这种“搬运成本”已成为功耗的重要来源。

类脑芯片试图减少这种浪费。它们把存储和计算放得更近，采用稀疏表示，并让电路只在事件发生时响应，而不是持续刷新整个系统。

从电子眼到边缘AI

目前最成熟的类脑应用之一是事件相机。普通摄像头每秒拍摄几十帧完整画面，即使绝大多数像素没有变化，也必须不断读取和传输。

事件相机则像视网膜一样工作，每个像素只在亮度发生变化时发出信号。静止背景几乎不产生数据，因此速度更快、延迟更低，也显著减少了无意义计算。

这种特性尤其适合自动驾驶、机器人和航天器。面对快速移动物体、强光或昏暗环境时，事件相机可以在极低功耗下捕捉变化，而无需把每一帧高清视频送往远端服务器分析。

这也意味着隐私可能得到额外保护。智能眼镜、医疗传感器或家庭摄像设备如果能直接在本地完成识别，就不必持续把原始数据上传云端。

IBM早期TrueNorth芯片曾在特定事件驱动任务中展示出相对于传统数字架构极大的能效优势。如今，BrainChip等公司已经推出商业化类脑处理器，目标正是摄像头、传感器和低功耗边缘设备。

20瓦并不是公平的“一对一比赛”

不过，把大脑的20瓦直接与大型AI数据中心的兆瓦功耗放在一起，也容易造成误解。大脑的20瓦是一个完整生物系统长期运行的大致功率，而数据中心承担的往往是数百万用户、巨大模型和高速并行任务，两者并不是同一尺度。

人脑还拥有数十亿年进化形成的极端优化结构，神经元本身也比数字晶体管慢得多。它依靠低频、稀疏、模拟式信号工作，却通过海量并行连接获得惊人的整体能力。

类脑硬件因此不会在所有任务上击败GPU。GPU擅长密集矩阵运算，对训练大型语言模型尤其有效，而类脑芯片更可能在感知、异常检测、机器人控制以及低功耗实时响应中占优势。

未来的计算机很可能不是“类脑取代GPU”，而是两者并存。数据中心继续承担大规模训练，类脑芯片则把部分推理和感知任务移到终端设备上。

AI真正缺的是新的能效逻辑

生成式AI正在把计算机产业推入新的能源约束时代。模型参数不断增加，但单纯依靠制造更先进芯片和建设更大数据中心，很难无限延续过去的扩张方式。

类脑计算提供的最大启发，不是复制一颗生物大脑，而是重新设计“什么时候计算、在哪里计算、哪些数据值得移动”。这三个问题往往比单纯增加算力更决定系统能耗。

它仍面临许多现实困难，包括缺乏统一编程工具、不同芯片架构难以兼容，以及训练算法仍大量依赖传统GPU。要把实验室中的神经形态芯片扩展到数十亿设备，还需要新的标准、制造工艺和软件生态。

但方向已经越来越清晰。随着AI进入汽车、无人机、可穿戴设备和医疗传感器，许多机器不可能随时连接一个耗电巨大的云端模型，它们需要在几瓦甚至毫瓦功耗下自行理解环境。

人脑并没有告诉工程师如何制造下一颗芯片，却展示了一个关键事实：复杂智能并不必然意味着巨量能源消耗。真正的挑战，是让机器学会像大脑一样，只在值得计算的时候计算。