ACS Nano重磅综述：类脑计算硬件技术路线图
近日，一篇由香港理工大学柴扬教授领衔，联合国内外多所顶尖高校及南方科技大学肖凯副教授等全球数十家顶尖机构共同撰写的重磅综述，发表在材料学顶级期刊 ACS Nano 上。该文首次系统绘制了 “类脑计算硬件”的技术路线图，为突破AI算力瓶颈指明方向。
内容介绍
1. 为什么需要“类脑计算”？
当前的人工智能（如ChatGPT等大模型）虽然强大，但其背后的硬件（GPU等）正面临巨大挑战：
算力瓶颈：AI算力需求每两个月翻一番，但硬件性能提升速度严重滞后
能耗危机：训练一个大模型耗电量≈数百户家庭年用电量
而人脑仅用20瓦功率（≈一盏节能灯），就能完成复杂的认知任务。
“类脑计算硬件”的目标，就是模仿人脑的并行处理、事件驱动、稀疏激活等机制，从根本上提高计算能效。
2. 核心内容：三个维度的深度剖析
文章将整个类脑计算硬件的开发，拆解为三个环环相扣的层面：硬件基础、架构设计、原型系统。只有这三个层面协同进化，才能推动类脑计算从实验室走向现实。
层面一：硬件基础
图1.生物特征与材料对应关系
文章总结了实现类脑计算的七大关键生物特征，以及如何在材料中实现它们：
1. 可塑性——学习与记忆的基础
忆阻器实现可编程电阻调节（相变材料、铁电材料）
2. 时空动力学——积分放电、泄漏功能
离子迁移模拟神经元时空整合（氧化物忆阻器）
3. 稀疏性——低功耗静息态
阈值开关实现尖锐开关特性（OTS、扩散型忆阻器）
4. 连接性——大规模并行互联
三维集成、纳米线网络（3D垂直RRAM）
5. 适应性——环境响应调节
可调器件参数、反馈回路（离子导电材料）
6. 随机性——噪声作为计算资源
热涨落、磁矩随机翻转（磁性隧道结）
7. 感知功能——感算一体
光电响应、感内计算（视网膜启发传感器、二维材料）
层面二：架构设计
图2. 从2D到3D的架构集成策略
文章从两个维度剖析了类脑计算的架构设计：信息处理原则和结构集成策略。
信息处理原则：颠覆冯·诺依曼瓶颈
传统计算机采用冯·诺依曼架构，计算单元和存储单元分离，数据不断“搬运”成为能耗和延迟的主要来源。而类脑架构借鉴生物神经系统，遵循三大核心原则：分布式处理、大规模并行、事件驱动。
结构集成：从2D平面走向3D立体
单靠平面布局无法满足类脑计算对连接密度的要求——毕竟，人脑是高度三维的结构。因此，集成技术正从传统的2D平面集成，向2.5D（Chiplet）、3D异构集成（H3D）和单片3D集成（M3D） 演进。其中，M3D通过垂直堆叠器件层，是实现高带宽、低功耗的关键，被认为是更接近大脑复杂三维结构的方案，是未来类脑芯片的理想形态。
文章特别指出：大象的脑体积比人脑大得多，但人类的认知能力更胜一筹，关键在于人脑更高的连接密度和组织复杂度。这正是3D集成追求的目标——不仅堆得高，更要连得密。
层面三：原型系统
图3. 全球代表性类脑芯片原型
图3汇总了当前最前沿的类脑芯片实物图，包括存内计算阵列和光子计算核心，展示了从实验室走向应用的硬件形态。
电子芯片：从早期的纯CMOS芯片（如IBM TrueNorth）发展到集成忆阻器的存内计算芯片（如NeuRRAM），能效显著提升。
光子芯片：利用光的并行性实现高速矩阵运算（如衍射神经网络、Taichi芯片），在处理速度和带宽上展现巨大潜力。
文章特别指出一个有趣的权衡：电子芯片擅长非线性处理（如激活函数），光子芯片擅长线性运算（如矩阵乘法）。未来更可能的是光电混合架构——各取所长。
3. 未来路线图：通向强人工智能
图4. 类脑计算硬件技术路线图（2025-2035）
基于对现状的深刻剖析，文章最终提出了一份清晰的技术路线图，它将未来发展分为两个并行不悖的轨道：
1、优化轨道（2025-2030）：解决“能不能用”的问题
这一轨道的重点是解决当前器件的可靠性、良率、CMOS兼容性等问题，推动技术从实验室走向实际应用。
2、探索轨道（2030-2035+）：探索“能不能新”的问题
这一轨道目标是借鉴神经科学最新发现（如新的突触可塑性规则BTSP、认知地图），开发支持更高阶认知功能（如规划、推理）的新型器件和架构。
两条轨道并行不悖——既解决当下工程问题，又探索未来突破。
4. 结语
正如该领域先驱Carver Mead所言：“我们仍处于理解神经计算基本原理并将其硬件化的早期阶段。”
类脑计算不是要取代传统计算机，而是要开辟一个新赛道——处理那些传统架构力不从心的任务。这需要材料、物理、计算机、神经科学多学科通力合作。
路虽远，行则将至。
文献信息：Technology Roadmap of Bioinspired Computing Hardware. ACS Nano, 2026.
|
|