神經形態計算重大突破：仿腦電腦首次解決複雜物理方程式

為何這項突破意義重大

要理解這項研究的重要性，首先需要認識一個基本事實：人類文明中幾乎所有的工程設計和科學模擬，在數學層面上都依賴於偏微分方程式（Partial Differential Equations, PDEs）的求解。

當工程師設計一架飛機時，他們需要用 Navier-Stokes 方程式模擬空氣如何在機翼表面流動。當氣象學家預報天氣時，他們需要求解描述大氣流體運動的偏微分方程組。當核物理學家模擬核反應時，他們需要處理描述粒子輸運和能量傳遞的複雜方程式。這些計算的複雜度極高，通常需要超級電腦連續運行數小時甚至數天。

傳統的超級電腦使用馮紐曼架構——處理器和記憶體分離，數據在兩者之間來回搬運。這種架構在處理 PDE 時效率不高，因為 PDE 的求解涉及大量的迭代計算和數據交換，每一步都產生顯著的能耗和延遲。目前全球超級電腦消耗的電力中，有相當大的比例用於物理模擬相關的 PDE 計算。

而神經形態計算從根本上改變了這個範式。

神經形態計算：模仿大腦的計算革命

人類大腦是已知宇宙中最高效的計算裝置。它僅用約 20 瓦的功率——大約相當於一盞小燈泡——就能完成包括視覺處理、語言理解、運動控制和抽象推理在內的海量計算任務。相比之下，一個執行類似功能的傳統 AI 系統可能需要消耗數百千瓦甚至數兆瓦的電力。

大腦之所以如此高效，是因為它採用了一種根本不同的計算架構：神經元（計算單元）和突觸（記憶單元）是一體的，計算和記憶在同一個物理位置發生。信息以「脈衝」（spike）的形式在神經元之間傳遞，而不是像傳統電腦那樣以連續的數字信號流動。這種事件驅動的、稀疏的計算方式，天然地比馮紐曼架構更加節能。

從模仿到實用的飛躍

神經形態計算的概念已經存在了數十年。Intel 的 Loihi 芯片、IBM 的 TrueNorth 以及多所大學的研究項目，都在探索如何用硬件模擬大腦的計算方式。然而，長期以來，神經形態硬件主要被用於相對簡單的模式識別和感知任務——辨識圖像、處理語音等。

科學界普遍認為，神經形態系統不適合用於精確的數值計算，特別是像 PDE 求解這樣需要高精度浮點運算的科學計算任務。大腦擅長模糊的、直覺性的計算——比如一眼認出朋友的臉——但在「算數學」方面遠不如傳統電腦。

Sandia 國家實驗室的 Theilman 和 Aimone 的研究，徹底顛覆了這一認知。

「你可以用類腦計算來解決真實的物理問題。這是你意想不到的，因為人們的直覺恰好相反。」（You can solve real physics problems with brain-like computation. That's something you wouldn't expect because people's intuition goes the opposite way.）—— Brad Aimone, Sandia 國家實驗室研究員

技術突破的核心：如何讓「仿腦」解方程

Theilman 和 Aimone 的研究突破，在於他們找到了一種將 PDE 問題映射到神經形態硬件計算結構上的方法。

脈衝神經網絡與 PDE 的橋樑

傳統的 PDE 求解方法（如有限元法、有限差分法）將連續的物理空間離散化為大量的網格點，然後在每個時間步上迭代計算每個網格點的物理量。這種方法的計算量和能耗都隨問題規模急劇增長。

研究團隊的創新在於將 PDE 的空間離散化結構對應到神經形態硬件的神經元網絡拓撲上——空間中的每個網格點對應一個或一組「人工神經元」，而網格點之間的物理耦合關係則由人工突觸的連接和權重來表示。PDE 的時間演化過程則通過脈衝神經網絡的動態行為來自然地模擬。

這種方法的優勢在於：神經形態硬件天然支持大規模並行計算（所有神經元同時工作），而且其事件驅動的計算模式意味着只有狀態發生變化的部分才會消耗能量。在許多物理模擬中，大部分空間在大部分時間內是相對穩定的，只有局部區域（如湍流邊界、衝擊波前沿）需要頻繁更新。神經形態系統可以將計算資源自然地集中在這些「活躍」區域，而傳統超級電腦則需要在每個時間步對所有網格點進行同等的計算。

能耗的革命性削減

雖然論文沒有給出精確的能效比較數據（這通常需要在工業級規模上驗證），但基於神經形態硬件的固有特性，研究團隊對能耗削減的前景非常樂觀。在理想情況下，神經形態系統完成同等物理模擬任務的能耗可能僅為傳統超級電腦的百分之一甚至千分之一。

這對於 Sandia 國家實驗室的母機構——美國國家核安全管理局（NNSA）——具有特別重大的意義。NNSA 的核心任務之一是通過電腦模擬來維護和驗證美國的核武器庫存（在禁止核試驗的條件下）。這些模擬需要求解極其複雜的 PDE 系統，消耗巨量的電力。如果神經形態計算能夠大幅降低這些模擬的能耗，其戰略價值不可估量。

走向神經形態超級電腦

Sandia 國家實驗室的這項突破不是終點，而是一個宏大目標的起點——構建世界上第一台神經形態超級電腦。

目前的神經形態芯片（如 Intel Loihi 2）的規模仍然相對有限，無法直接替代擁有數百萬個處理核心的現代超級電腦。但從概念驗證到工程實現的路徑已經清晰：通過將大量神經形態芯片互聯，構建一個擁有數十億甚至數百億人工神經元的系統，就有可能達到超級電腦級別的計算能力，同時能耗只是傳統超級電腦的極小部分。

這條路徑面臨的挑戰仍然巨大：芯片間的高速互聯、大規模系統的編程模型、軟件生態的建設等問題都尚待解決。但 Theilman 和 Aimone 的研究至少證明了一點：神經形態系統在計算能力上不存在理論天花板，它不僅能做模式識別，還能做嚴肅的科學計算。

相關突破：「變形分子」與大腦啟發架構

Sandia 的研究並非孤立的進展。在更廣泛的仿生計算領域，近期還出現了其他引人注目的突破。

印度科學院的「變形分子裝置」

印度科學院（Indian Institute of Science）的研究團隊近期創造了一種革命性的分子級裝置，能夠在記憶體、邏輯運算和學習功能之間動態切換角色。研究人員將其比喻為「變形分子」（shape-shifting molecules）——同一個物理裝置可以根據需要變身為不同的計算組件。

這項研究的意義在於：它為在分子尺度上實現類腦計算提供了新的路徑。如果能夠將大量這種「變形分子裝置」組合起來，就有可能構建出比現有神經形態芯片更加靈活和高效的計算系統。

Johns Hopkins 的大腦啟發架構

Johns Hopkins 大學的研究團隊則從另一個角度探索了大腦啟發的計算架構。他們的工作不是直接模擬大腦的神經元和突觸結構，而是研究大腦的高層級組織原則——例如大腦如何在不同功能區域之間分配計算任務，如何在局部處理和全局整合之間平衡。

這些不同的研究路徑是互補的：Sandia 的工作證明了神經形態硬件在科學計算中的可行性；印度科學院的工作提供了更底層的物理實現方案；Johns Hopkins 的工作則提供了系統級的架構設計思路。三者的結合，勾勒出了一幅從分子到芯片到系統的完整仿生計算圖景。

商業前景：85 億美元的新興市場

神經形態計算不僅是學術研究的前沿，也是一個快速增長的商業市場。根據市場研究機構的預測，全球神經形態計算市場預計到 2030 年將達到 85 億美元。

主要的商業玩家包括：

• Intel：其 Loihi 系列神經形態研究芯片是目前最成熟的商業化神經形態硬件，已經與多家研究機構和企業合作進行應用開發。
• IBM：TrueNorth 芯片是早期的神經形態計算先驅，IBM 正在將其技術與量子計算結合探索混合計算架構。
• BrainChip：澳洲上市公司，開發了 Akida 神經形態處理器，專注於邊緣 AI 的低功耗應用。
• SynSense（時識科技）：一家源自蘇黎世大學和蘇黎世聯邦理工學院的公司，在中國和歐洲設有業務。

Sandia 的突破可能大幅加速這個市場的增長，因為它打開了一個全新的應用領域——科學和工程計算。這個領域的市場規模遠大於神經形態計算此前主要針對的邊緣 AI 和物聯網市場。

「神經形態計算正在從一個有趣的學術概念，轉變為可能重新定義計算架構未來的技術。Sandia 的研究證明，仿腦電腦不僅能識別貓的照片，還能模擬核反應——這徹底改變了遊戲規則。」—— 半導體行業分析師

對香港的啟示

神經形態計算的這一突破對香港在科研和產業發展方面都有值得深思的啟示。

香港大學研究的新機遇

香港的頂尖大學在計算機科學和電子工程領域擁有國際級的研究實力。神經形態計算作為一個跨學科的新興領域——融合了神經科學、電子工程、計算機科學和應用數學——恰好符合香港大學研究的比較優勢：小型但高度跨學科的研究團隊、與國際頂尖機構的密切合作網絡、以及與中國內地龐大科研生態的連接。

具體而言，以下研究方向值得香港學術機構關注：

• 神經形態算法開發：如何將更多類型的科學計算問題（不僅是 PDE）映射到神經形態硬件上，是一個充滿機會的研究方向。
• 混合計算架構：將神經形態計算與傳統計算（甚至量子計算）結合的混合架構研究，可能成為未來計算的主流方向。
• 應用特定的神經形態系統：針對金融模擬、天氣預報、生物醫藥等香港有優勢的應用領域，設計專用的神經形態計算方案。

能源效率與可持續 AI 發展

香港作為一個土地和能源資源都極為有限的城市，對計算能效有着天然的敏感性。目前全球 AI 產業面臨的最大瓶頸之一就是能源消耗——訓練一個大型語言模型的電力足以供應一個小城市數月。隨着 AI 應用的普及，能源壓力只會越來越大。

神經形態計算提供了一條通向「可持續 AI」的技術路徑。如果未來的 AI 系統能夠在神經形態硬件上運行，其能耗可能下降數個數量級。這對於香港——一個既想發展 AI 產業又受限於能源和空間資源的城市——具有特別重要的戰略意義。

香港的數據中心行業近年來增長迅速，但同時也面臨着電力供應和散熱方面的嚴峻挑戰。神經形態計算的長遠發展，可能為香港的 AI 基礎設施提供一條更加可持續的技術路線。

連接深圳的硬件生態

香港毗鄰深圳——全球最大的電子硬件製造和創新中心。神經形態芯片從實驗室走向商業化的過程中，需要強大的硬件設計、製造和系統整合能力。香港的大學研究機構如果能夠與深圳的硬件生態緊密合作，有機會在神經形態計算的商業化進程中發揮獨特的橋樑作用——將國際前沿的研究成果與中國的製造能力對接。