Editing 类脑计算 (section)

= 类脑计算简介 =
感谢霍峰

== 基本概念和背景 ==
'''类脑计算'''（Brain-inspired Computing），也称神经形态计算（Neuromorphic Computing），是指从大脑结构和信息处理方式获得启发，来设计人工智能算法和计算机系统的一种范式 (How neuromorphic computing takes inspiration from our brains - IBM Research)。它试图模拟大脑神经元的连接架构和工作原理，使计算机能够像人脑一样高效处理信息。与传统人工智能主要依赖数学模型和梯度下降等方法不同，类脑计算强调'''生物学启发'''，采用类似神经元脉冲活动、突触可塑性等机制来处理和存储信息。这一理念源于对人脑卓越性能的追求：人脑仅消耗约20瓦功率却能进行复杂感知和决策，而传统计算机往往耗能巨大却难以匹敌大脑在模式识别、自主学习等方面的灵活性 (How neuromorphic computing takes inspiration from our brains - IBM Research)。

类脑计算的发展伴随着对神经科学的深入研究。从早期的感知机和多层神经网络（受生物神经元启发的第一代、第二代模型），到近年兴起的'''第三代神经网络'''——脉冲神经网络（SNN），人工智能正逐步引入时间维度和更加生物逼真的特性 (神经网络算法 - 一文搞懂SNN（脉冲神经网络） - 文章 - 开发者社区 - 火山引擎)。类脑计算不仅是算法层面的改进，也涉及硬件层面的革命（如类脑芯片、突触存储器等）。本文将聚焦算法层面的突破，向小白读者介绍类脑计算的核心概念、关键算法、最新进展以及实际应用。

== 传统AI与类脑计算的区别 ==
传统人工智能（尤其是深度学习）通常运行在冯·诺依曼体系结构的计算机上，'''将存储和计算分离'''；而类脑计算尝试在体系结构上'''集成存储与计算'''，模仿大脑神经元“存算一体”的架构，从而减少数据搬移带来的延迟和能耗 (Neuromorphic Vs Traditional Computing | Restackio)。在信息表示方面，传统计算机使用连续的二进制位或高精度数值来表示信息；相比之下，类脑系统以'''脉冲（尖峰）事件来编码和传递信息，每个脉冲代表一条消息 (Neuromorphic Vs Traditional Computing | Restackio)。这种事件驱动方式使得计算可以不连续地发生，更接近生物神经元的工作方式。能耗也是二者的重要区别：大脑和类脑芯片在空闲时几乎不消耗能量，只有在脉冲产生时才有能量开销，因此总体功耗远低于传统芯片（传统处理器往往以瓦特计功耗，而类脑芯片可低至毫瓦级别） (Neuromorphic Vs Traditional Computing | Restackio)。此外，类脑系统具有高度并行'''和'''容错'''的特性——上亿神经元同时工作，局部损坏并不导致整体失效，这与传统计算需要集中式时钟同步和对单点故障敏感形成鲜明对比 (Neuromorphic Vs Traditional Computing | Restackio)。简而言之，类脑计算试图让人工智能“更像大脑”运作，无论在信息编码、学习规则还是能效上都向生物智能看齐。