摘要

作为受生物大脑信息处理机制启发的新兴计算范式，类脑计算近年来成为突破传统冯·诺依曼架构瓶颈的关键方向。本文系统梳理了该领域的神经科学基础、核心技术路径及未来发展趋势。研究发现，通过脉冲神经网络、神经形态芯片与存算一体架构的协同演进，类脑计算在能效比、并行处理能力以及自适应学习方面展现出显著优势。同时，文章也剖析了当前在大规模神经元模拟、理论建模和生态构建等方面存在的挑战，并对技术融合前景进行了展望。本综述旨在为下一代人工智能体系结构的创新提供理论支撑与技术参考。

1 引言

随着人工智能大模型的迅猛发展，传统计算架构正面临日益严峻的算力与能耗双重压力。以GPT-4为例，其训练过程消耗高达2.4亿千瓦时电能，而人类大脑仅需约20瓦功率即可维持千亿级神经元的复杂认知活动。这一巨大反差促使科研人员将目光投向生物大脑的信息处理机制，推动了类脑计算（Brain-inspired Computing）的兴起。

类脑计算是一门融合神经科学与信息技术的前沿交叉学科，致力于从结构和功能两个维度复现生物神经系统的工作原理。在结构层面，聚焦于开发可模拟神经元与突触行为的新型纳米器件；在功能层面，则追求实现感知、学习、决策等高级智能行为。自图灵于1948年提出类神经网络构想以来，经过数十年积累，该领域已在算法模型与硬件平台方面取得重要突破。例如，浙江大学于2020年成功研制出具备亿级神经元规模的类脑计算机，清华大学亦推出异构融合型类脑芯片，标志着我国在该领域已跻身国际领先行列。

其核心优势在于“存算一体”、“事件驱动”与“高度并行”的运行机制，有效缓解了传统架构中长期存在的“内存墙”与“功耗墙”问题。不同于依赖“规模定律”（Scaling Law）的传统AI路径，类脑计算借助大脑特有的稀疏编码与自适应学习机制，在极低功耗条件下实现高效智能处理，为人工智能的可持续发展提供了全新可能。

本文旨在全面解析类脑计算的技术体系与发展现状：第2章通过文献回顾探讨其多学科基础；第3章深入剖析关键器件与系统架构；第4章分析现存挑战与未来趋势；最后总结整体发展前景。

2 文献综述

类脑计算的发展依托于神经科学、计算机工程与材料科学的深度融合。依据实现方式的不同，主要分为“硬类脑”与“软类脑”两类技术路线——前者侧重物理器件对神经结构的逼近，后者则聚焦算法层面对脑功能的模拟。近年来，伴随全球脑计划的推进与跨学科协作的加强，类脑计算在基础理论、硬件实现与应用落地等多个维度均取得实质性进展。

从理论源头来看，神经科学的重大突破为类脑计算提供了坚实的生物学依据。2023年，中美两国“脑计划”分别完成了小鼠与人脑细胞图谱的绘制，揭示了神经系统多层次连接规律。这些成果不仅深化了对神经信息编码机制的理解，也为构建更精确的类脑模型奠定了基础。例如，清华大学团队受神经突触离子通道机制启发，创新性地结合晶体管的“场效应”与“忆阻”特性，在单一器件中实现了长期与短期可塑性的统一模拟。

在技术演进路径上，类脑硬件经历了从早期CMOS模拟电路到现代纳米级忆阻器件的转变。早期研究主要依赖模拟电路模拟神经行为，而新型忆阻器则通过离子迁移直接再现突触可塑性。在算法层面，脉冲神经网络（SNN）因其更贴近真实神经活动模式，逐渐取代传统人工神经网络（ANN），成为类脑计算的核心算法框架。SNN采用“事件驱动”与“脉冲时序可塑性”机制，在动态信息处理与能耗控制方面表现出明显优势。

应用场景方面，类脑计算已在智能医疗、物联网、机器人等领域初显潜力。例如，“问天I”类脑计算机已应用于心理健康评估与脑疾病辅助诊疗；基于SNN的视觉感知系统则显著提升了自动驾驶车辆在复杂环境下的响应速度与能效表现。这些实践验证了类脑系统在低功耗、高实时性任务中的独特价值。

总体而言，类脑计算已初步形成涵盖器件、芯片、系统到应用的完整技术链条。然而，仍存在生物模拟精度不足、理论模型尚不完善、应用生态薄弱等关键问题，亟需进一步突破。

3 类脑计算的核心技术分析

3.1 神经形态器件：从忆阻器到动力学晶体管

神经形态器件是支撑类脑计算的物理基础，旨在模拟神经元、突触等基本神经单元的信息处理行为。理想的器件应具备低功耗、高集成度以及丰富的非线性动力学特性，从而支持复杂的时空信息编码与学习机制。

目前主流的神经形态器件包括忆阻器、相变材料器件、铁电晶体管和新型二维材料器件等。其中，忆阻器因可通过电阻状态变化模拟突触权重更新，被广泛用于构建人工突触阵列。近年来，清华大学研发的基于碲化物半导体的单器件，成功模拟了神经元的动作电位发放、阈值调节与多种可塑性行为，实现了“一器件多功能”的集成突破。

此外，动力学晶体管作为一种融合场效应调控与内在记忆特性的新型器件，能够在无需外部存储的情况下完成信息处理与暂存，进一步逼近生物神经元的自然工作模式。这类器件的发展为实现真正意义上的“存算一体”架构提供了底层硬件保障。

在众多候选器件中，忆阻器凭借其独特的物理机制成为类脑计算领域的研究热点。其电阻值能够根据外部激励的历史动态变化，这一特性与生物突触所具备的强度可塑性高度相似。2008年，惠普实验室首次实验观测到忆阻现象，验证了蔡少棠早在1971年提出的理论预言。忆阻器的优势体现在多个方面：一方面，它具有良好的仿生特性，支持突触权重的连续模拟更新；另一方面，得益于其纳米尺度和非易失性特点，为实现高密度集成提供了可能。例如，基于铁电材料或相变材料的忆阻器，已能实现飞焦级别的低功耗突触操作，为构建大规模神经网络奠定了硬件基础。

然而，单一工作机制的忆阻器难以复现生物神经元复杂的动力学行为。为此，研究者提出了“动力学神经形态晶体管”技术。清华大学的研究团队发现，传统晶体管中的“场效应”机制可用于模拟短期可塑性，而“忆阻”机制则对应长期可塑性，二者协同作用可在单个器件中实现对突触长短期可塑性的统一模拟。这种设计充分利用半导体材料的本征物理特性，在保证功能集成的同时实现了硬件结构的简化，有效缓解了功能丰富性与电路复杂度之间的矛盾。

针对神经元行为的精确模拟，该团队另辟蹊径，采用碲半导体材料来再现神经元膜电位的变化过程。由于碲具有较低的熔点，其导电通道可在电流驱动下发生可控的生长与熔断，分别对应于生物神经元中钠离子内流引发的去极化以及钾离子外流导致的复极化过程。这种由相变主导的动力学机制与真实的神经元放电行为高度一致，成功实现了阈上脉冲发放与阈下振荡等全功能神经元响应的模拟。

在树突功能模拟方面，研究团队利用pn异质结晶体管所呈现的“反双极性”转移特性，成功复现了钙离子介导的树突放电行为及其非单调激活特征。这一突破使得单个人工树突即可完成非线性分类任务，显著增强了类脑计算系统的智能处理能力。

3.2 类脑芯片架构：从存算分离到存算一体

类脑芯片架构的革新是突破传统冯·诺依曼瓶颈的关键所在。传统的计算体系采用“存算分离”模式，数据需频繁在存储单元与处理单元之间移动，造成严重的能耗浪费和延迟问题，即所谓的“内存墙”。相比之下，生物大脑采用天然的“存算一体”机制，极大减少了信息搬运需求。人脑仅以约20瓦的功耗支撑千亿级神经元的并行运作，展现出远超当前计算机系统的能效比。

目前主流的类脑芯片多基于脉冲神经网络（SNN）架构，代表性产品包括Intel的Loihi和IBM的TrueNorth。其中，Loihi采用异步脉冲计算方式，支持在线学习能力，在机器人路径规划等任务中表现出优异的能效性能；而TrueNorth采用同步架构，单芯片集成高达100万个神经元和2.56亿个突触，专用于图像识别等高并发处理场景。这些芯片的共同特点是具备事件驱动特性——只有当输入刺激出现时才触发局部计算，避免了静态背景功耗，显著提升了能源利用率。

在系统设计层面，“异构融合”正成为重要发展方向。清华大学研发的异构融合类脑芯片，巧妙结合了人工神经网络（ANN）的高精度优势与脉冲神经网络（SNN）的低功耗特性。该架构支持将成熟的ANN模型高效转换为SNN形式，兼顾算法性能与能效要求，推动了类脑计算技术向实际应用迈进。

此外，“三维集成”技术被认为是提升类脑芯片规模的核心路径。据复旦大学邹卓团队指出，通过晶圆级互联与先进封装手段，有望实现亿级神经元的单芯片集成。例如，“天琴芯·海”类脑晶圆芯片便采用了三维堆叠技术，支持高达2亿神经元的拟态运算，大幅提高了计算密度。同时，借鉴生物脑血管结构设计的无源散热系统，可有效应对高密度集成带来的热管理难题，为更大规模的芯片集成提供可行性保障。[此处为图片2]

3.3 脉冲神经网络（SNN）与学习算法

脉冲神经网络（SNN）作为类脑计算的核心算法模型，采用“脉冲时序编码”和“事件驱动”的工作机制，更贴近真实神经系统的信息传递方式。相较于传统人工神经网络（ANN），SNN在生物合理性和能效表现上均具备明显优势。

在信息表达方面，SNN通过脉冲序列进行数据传输，其中脉冲的频率、时间顺序及发放模式均携带有效信息。这种编码方式具备丰富的时空维度，支持更为复杂的信息处理逻辑。例如，在视觉感知任务中，SNN可通过精确的脉冲时序捕捉运动轨迹，从而提升动态图像的识别准确率。同时，SNN的神经元活动具有显著的稀疏性——大多数神经元在大部分时间内处于静息状态，仅在特定事件触发时产生脉冲，由此实现极低的平均功耗。

学习算法是SNN发展的核心挑战之一，也是当前创新的重点领域。基于脉冲时序依赖可塑性（STDP）的无监督学习机制，使SNN能够依据前后神经元脉冲的时间先后关系自动调节突触连接强度。该机制源于生物学中的赫布理论，能够在无标注数据的情况下自主提取输入信号的统计规律。例如，在特征学习任务中，STDP可驱动网络自发形成对输入模式的选择性响应。

面对更复杂的任务需求，SNN在监督学习与强化学习方向也取得了关键进展。中科院自动化所推出的“瞬悉1.0”类脑大模型，创造性地将Transformer结构转化为脉冲神经网络形式，在极少量训练样本下实现了高效学习。该模型在处理长序列任务时展现出数量级的速度提升，为超长文本分析、科学模拟等领域提供了全新的解决方案。

SNN与传统ANN之间的融合趋势日益明显，两者互补优势正在被深入挖掘，进一步拓展了类脑计算的应用边界。

类脑计算作为一种受人脑信息处理机制启发的新型计算范式，在架构革新与能效优化方面展现出巨大潜力。本文系统梳理了其生物学基础、硬件实现路径、算法模型发展及未来应用场景，总结出若干关键结论。

存算一体与事件驱动：突破传统瓶颈的核心架构

在技术架构层面，“存算一体”是解决“内存墙”问题的关键创新。该架构通过将计算单元嵌入存储器内部，从根本上消除数据在处理器与内存之间频繁迁移所带来的延迟与功耗。从物理实现角度看，忆阻器可利用其电导状态来表征神经网络中的突触权重，并借助欧姆定律和基尔霍夫电流定律自然完成乘加运算。这种基于模拟电路的并行计算方式显著提升了能效比与计算密度。

与此同时，“事件驱动”的运行机制进一步增强了系统的能效表现。不同于传统系统持续采样与处理数据，类脑系统仅在有输入脉冲（即“事件”）发生时才触发计算，极大减少了冗余操作。这一机制模仿了生物神经系统的信息传递方式，实现了真正的稀疏激活与低功耗运行。

融合建模与多尺度稀疏：提升性能与效率的协同策略

当前研究热点之一是异构架构的融合建模。例如，Kim等人提出的互补深度神经网络（C-DNN）处理器，结合了脉冲神经网络（SNN）与卷积神经网络（CNN）的优势，采用SNN处理稀疏事件流以降低能耗，同时用CNN保障复杂任务的高精度输出。这种混合架构在维持较高识别准确率的同时，大幅提升了能量效率，为类脑计算向实用化过渡提供了可行路径。

为进一步压缩计算开销，中科院团队在“瞬悉1.0”模型中引入了多尺度稀疏机制，融合“结构化稀疏”与“动态稀疏”两种策略。其中，结构化稀疏通过对网络连接进行剪枝去除冗余参数；而动态稀疏则根据实时输入内容选择性激活局部网络模块，避免全局计算。该组合机制在不牺牲模型性能的前提下，有效降低了存储需求与能耗。

仿生散热与能效优化：从生物机制中汲取设计灵感

能效优化不仅依赖于计算架构改进，还需考虑热管理问题。人脑凭借高效的血管网络实现均匀散热，这一原理被应用于“天琴芯”类脑计算系统中。该系统采用无源散热设计，构建类血管结构用于远距离导热，可在高密度集成条件下有效分散热量。实验表明，该方案可使数据中心整体散热能耗下降约40%，为未来大规模类脑芯片部署提供了可持续的热控解决方案。

面临的挑战：规模、理论与生态的多重制约

尽管进展显著，类脑计算仍面临诸多挑战。首先，在硬件层面，现有系统与真实人脑存在数量级差距。目前最大规模的类脑系统仅能模拟亿级神经元，而人类大脑拥有约860亿神经元。此外，当前神经形态器件普遍呈现均质特性，难以复现生物神经元丰富的异质性行为，这对实现复杂认知功能构成障碍。

其次，在理论模型方面，尚未建立起统一且完备的理论框架。现有学习算法大多基于简化的生物机制，无法充分解释或再现意识、情感以及创造性思维等高级认知过程。尤其在脉冲神经网络领域，缺乏成熟的理论分析工具，模型的可解释性严重不足。清华大学吴华强团队指出，类脑计算亟需一个跨尺度协同设计的“宏大蓝图”作为指导。

在技术生态上，软件工具链尚不成熟，编程模型抽象程度较低，开发效率远不及主流AI平台。虽然Intel Loihi等硬件提供了专用编程环境，但与TensorFlow、PyTorch等通用框架相比，生态支持薄弱。同时，类脑芯片与现有计算系统的兼容性较差，难以无缝融入现有的人工智能研发流程。构建覆盖算法设计、编译优化到芯片部署的完整工具链，已成为推动产业落地的前提条件。

未来发展方向：跨学科融合与开放生态共建

面对上述挑战，类脑计算的未来发展将聚焦以下几个方向：

• 深化跨学科融合：脑科学与人工智能的深度联动将成为新一轮突破的动力源泉。随着多尺度脑图谱的不断完善以及神经信号检测技术的进步，对大脑工作机制的理解将持续加深。这些研究成果可反哺类脑模型的设计。例如，脑机接口不仅能帮助解析神经编码规律，还可为类脑系统提供直接的人脑交互通道。
• 探索通用智能模型：当前多数类脑系统专注于特定任务，迈向通用人工智能（AGI）是长远目标。需要发展具备自主学习、逻辑推理和环境适应能力的通用架构。其中，“世界模型”的构建尤为关键。蒲慕明院士建议，可通过模拟婴儿认知发育过程，为机器人建立个性化的环境理解模型。
• 推进技术路径多元化：软类脑与硬类脑应协同发展。硬类脑侧重于新型器件与高集成度芯片的研发，追求极致能效；软类脑则聚焦于算法创新与智能水平提升。二者相辅相成，共同促进系统实用性提升。同时，“脑机融合”等新兴方向也将拓展类脑计算的应用边界。
• 建设标准化与开放生态：产业化进程需要标准体系支撑。目前，上海类脑智能产业创新发展联盟正在牵头制定相关标准，推动行业规范发展。此外，开源平台的建设至关重要。由北京大学与广东省智能院联合发布的BrainPy脑动力学仿真框架，已为科研人员提供了一个通用、灵活的研究工具，有助于加速技术创新与成果转化。

结语

总体来看，类脑计算虽仍处于发展阶段，但其在能效、架构与智能化潜力方面的优势不容忽视。通过多学科协同攻关与全产业链协作，类脑计算有望引领下一代人工智能变革，为突破智能算力瓶颈开辟全新路径。

类脑计算通过融合神经形态器件与脉冲神经网络等核心技术，显著突破了传统冯·诺依曼架构在能效与计算效率方面的局限。忆阻器、动力学晶体管等新型硬件为神经元和突触功能的物理实现提供了基础支撑，而基于时空编码与稀疏激活机制的脉冲神经网络，则进一步实现了信息处理过程中的低功耗智能运算。这种软硬件协同的设计思路，使得类脑系统不仅具备高能效特性，还能胜任复杂的认知与决策任务。

目前，该技术已在多个前沿领域展现出广阔的应用潜力，涵盖智能医疗、脑机交互以及自主机器人系统等方面。以“问天I”类脑计算机为代表的示范项目表明，在对实时响应和能耗敏感的场景中，类脑计算展现出明显优势。随着芯片集成水平不断提高，算法模型持续优化，未来其应用范围有望向更多行业拓展，逐步实现规模化落地。

尽管前景可观，类脑计算仍面临多重挑战。从硬件角度看，当前人工神经网络的规模距离人脑千亿级神经元仍有巨大差距；在理论研究方面，对于高级认知行为（如意识、推理）的建模仍处于初级阶段；而在技术生态建设上，标准化框架、开发工具链及编程环境尚不健全。要攻克这些难题，亟需脑科学、材料学与计算机科学等多领域的深度交叉合作。

展望未来，类脑计算将沿着多元融合的方向推进：一方面依托跨学科研究深化对人脑工作机理的认知，另一方面通过软硬件一体化创新加速技术迭代。与此同时，通用智能模型的探索以及完整技术生态的构建，也将有力推动类脑系统走向实际应用。可以预期，这一领域将持续为人工智能注入新动能，开启智能算力发展的全新篇章。