神經型態運算（neuromorphic computing）
/ noor-oh-MOR-fik /
你的大腦令人驚嘆：它認得一張臉、閃過一顆球、進行一場對話，所耗的功率大約只相當於一顆昏暗燈泡——約二十瓦——而一台資料中心機器做著遠為狹隘的任務，卻可能燒掉數千倍的電。大腦完全不像一般電腦那樣運作。它沒有一個齊步滴答的中央時脈，記憶與處理之間沒有明確的切分，它也不去精算精確的數字——它靠神經元之間短暫的電脈衝來溝通。神經型態運算就是試圖打造借用這些大腦結構性點子的硬體，希望能擷取到那份驚人效率的一部分。
具體而言，神經型態晶片由佈在硬體裡的人工神經元與突觸構成。神經元不是被一個全域時脈驅動著做一切，而是事件驅動的：一個神經元保持靜默、幾乎不耗電，直到夠多的輸入抵達，這時它對相連的神經元發出一道短暫的脈衝，其餘時候什麼也不做。這叫做脈衝模型，而脈衝的時序本身就攜帶資訊。關鍵在於，記憶（突觸權重，神經元連得多強）就坐在運算（神經元）旁邊，閃過了困擾傳統設計的資料搬移之牆。因為大多數神經元在大多數時候都安靜著，晶片只在真正有事發生的地方與時刻才耗能——是稀疏、事件驅動的活動，而不是一個時脈到處同時燒電。
現在來談誠實的提醒，這在這裡非常要緊。神經型態運算是研究與認識層級的前沿，不是一個在你日常任務上打敗一般晶片的成品。它不適合精確算術、資料庫或通用程式碼——它不是更快的 CPU。它最有希望的是特定類腦工作：常時感測、對串流資料做模式辨識，以及某些神經網路工作負載，尤其在超低功耗很重要時。而且它和今天實際在跑大多數人工智慧的深度學習加速器（像 GPU 與 TPU）不是同一回事；那些用的是傳統有時脈的算術。神經型態硬體是一個真正不同的賭注，在狹窄領域有希望、仍在成熟，並且在「它能擴展到多遠」這件事上圍繞著真實的不確定性。
一個常時運作的神經型態感測器盯著一個門口看有沒有動靜。大多數時候什麼也沒動，所以幾乎沒有神經元發放，晶片只汲取極微的電流。當有人走過，一陣脈衝在網路裡漣漪般傳開，辨識出那個動作。一顆不停滴答地掃描每一幀畫面的傳統晶片，在同樣那一長段什麼都沒有的時間裡，會耗掉多得多的能量。
事件驅動的脈衝意味著只有在有事發生時才耗能——這正是神經型態效率的來源。
神經型態硬體不是更快的 CPU，也不是今天大多數 AI 的跑法（那是 GPU 與 TPU 在做傳統有時脈的算術）。它是一個研究階段的賭注，在稀疏、常時、類腦的感測上發光——並且在能否普遍擴展上面臨真實的不確定性。