神經資料本就稀疏
觀察一段原始細胞外訊號，你看到的多半是靜默——由偶發的 動作電位 點綴的基線雜訊。奈奎斯特取樣迫使你以數十 kHz 把所有靜默都編碼下來。事件驅動前端拒絕如此：它偵測事件，只傳送其時間與少數特徵。這個組織原則借自矽視網膜與矽耳蝸，即位址事件表示法——一個脈衝只以「哪一通道、在何時刻」來傳達，別無其他。
這一點很重要，因為神經形態感測前端可以據此設計為保持沉默。與其讓時脈逐一走過每個取樣點，比較器只在閾值被穿越時才喚醒電路。腦中的稀疏性轉化為矽中的稀疏性，而矽中的稀疏性則轉化為節省下來的能量。
晶上尖峰偵測與過閾偵測
最簡單、也最常被部署於植入體上的運算，就是過閾偵測：只保留濾波後訊號穿越閾值的時刻，捨棄波形本身。對許多運動型腦機介面而言，這樣做在大幅壓縮的同時，喪失的可解碼資訊卻出奇地少——這正是它出現在真實全植入系統中的關鍵原因。它較聰明的變體則提升了對雜訊與基線漂移的穩健性。
非線性能量運算子（Teager–Kaiser），一種經典的晶上尖峰偵測器：它強化振幅與頻率的瞬時乘積，在套用閾值前先把脈衝從背景中凸顯出來。它每個取樣點僅需寥寥數次算術運算。
這些運算子之所以便宜，正因為它們在時間上是局部的、且不需儲存任何模型——與植入體的 能量預算 十分契合。完整的 尖峰分類（將每個脈衝指派給某個假定神經元）威力更大但成本高得多；一個懸而未決的設計問題是：究竟該在晶上做多少分類、又該延後多少。
能量隨活動而非時間而變
以下是事件驅動設計致勝的深層原因。在時脈驅動的數位系統中，動態能量大致與時脈成正比——不論有無事情發生，你都得為每一個時脈跳動付費。在事件驅動系統中，動態能量則與事件數目成正比。安靜的大腦，是傾聽成本低廉的大腦。
在時間窗 T 內的動態能量，等於每事件成本 E_{ ext{ev}} 乘以 N 個通道、平均發放率 ar{r}_i 之總脈衝數。由於皮質發放稀疏（個位數到數十 Hz），此值可遠低於不論如何都得付出 \propto f_{ ext{clk}} \cdot T 的時脈驅動設計。
無法欺瞞類比雜訊底線
事件驅動的巧思發生在訊號已被放大之後，而放大正是物理發威之處。細胞外脈衝是騎乘在熱雜訊與生物雜訊之上的微伏訊號，因此前端需要低雜訊放大器，常搭配斬波穩定以壓制 1/f 雜訊，且全部都在嚴格的電流預算之下。雜訊與功耗之間的根本取捨，由雜訊效率因子所刻畫。
雜訊效率因子將放大器對照於一顆理想單雙極電晶體進行評比：它把輸入端等效雜訊 V_{\mathrm{ni,rms}} 與總供應電流 I_{\mathrm{tot}} 及頻寬相連。NEF = 1 是物理理想值；真實神經放大器僅略高於此，而每個通道都得繳付這筆電流通行費。
因此，事件驅動前端是一個兩部分的故事：一項由 熱雜訊 與放大器所設定、無法避免且永遠在線的類比成本，加上一項高度可壓縮、與活動成正比的數位成本。神經形態設計會積極壓縮後者；前者則是一道你只能與之協商、而無法跨越的底線。前端之後，尚存的問題是：該用這些稀疏事件運算些什麼——這正是接下來兩篇指南的主題。