神经形态处理单元CereChip X1深度：当芯片开始模仿大脑的计算方式

全文

2028年5月，中国科学院计算技术研究所在北京发布了CereChip X1神经形态处理单元。这款芯片采用了存算一体架构，将计算单元直接嵌入存储阵列中，从根本上消除了传统冯·诺依曼架构中数据在处理器和内存之间频繁搬运的瓶颈。

CereChip X1的技术负责人、中科院计算所研究员陈云霁在发布会上介绍，该芯片集成了128万个模拟神经元和10亿个突触连接，支持脉冲神经网络（SNN）的原生计算。与传统GPU运行人工神经网络不同，脉冲神经网络更接近生物大脑的工作方式——神经元以离散的脉冲信号进行通信，而非连续的数值传递。

在标准图像识别测试中，CereChip X1处理每帧图像的能耗仅为0.3毫焦耳，是NVIDIA H100 GPU的八十分之一。在时序数据处理任务（如语音识别和异常检测）中，其能效优势更加明显，达到GPU的120倍。

"神经形态计算的核心价值不在于速度，而在于能效，"陈云霁解释道。"对于边缘设备、物联网传感器和移动终端来说，功耗往往比算力更关键。CereChip X1可以让一个纽扣电池供电的设备运行复杂的AI推理任务长达数年。"

在产业应用方面，CereChip X1已与三家合作伙伴启动了试点项目。海康威视将其用于智能摄像头的实时目标检测，华为将其集成到新一代路由器中用于网络流量异常分析，而宁德时代则在探索用它优化电池管理系统中的热失控预测。

不过，神经形态计算的生态系统仍不成熟。目前主流的深度学习框架（如PyTorch、TensorFlow）都是为传统人工神经网络设计的，对脉冲神经网络的支持有限。中科院计算所已开源了配套的SNN编译器SpikeFlow，但开发者社区的规模还很小。

清华大学微纳电子系教授魏少军指出，神经形态芯片面临的最大挑战不是技术本身，而是编程范式的转换。"让习惯了PyTorch的工程师去写脉冲神经网络程序，学习曲线非常陡峭。这需要整个工具链的重构。"

从全球竞争格局来看，Intel的Loihi 2和IBM的NorthPole仍是神经形态芯片领域的领先者。CereChip X1的发布使中国在这一赛道上进入了第一梯队，但要实现产业化，还需要在工具链、开发者生态和应用场景验证方面持续投入。

陈云霁表示，团队已在研发下一代CereChip X2，目标是在相同功耗下将突触连接数提升至100亿，"这将接近小鼠大脑的突触规模"。