此刻，你的大脑正在辨认这些文字的形状，分析它们的含义，把一连串想法串在一起。完成这一切，它只用了大约20瓦的功率，跟一只灯泡差不多。

而要让一台机器做到哪怕其中一小部分，往往需要一整座数据中心。训练一个大型AI模型消耗的电力，够一座小城用上好几天。人类花了几十年搭建出地球上最昂贵的计算基础设施，模仿出来的智能，能效还不及一块豆腐大小的组织的零头。

根源在于底层逻辑完全不同。

人脑里大约有860亿个神经元，它们通过突触彼此相连。一个神经元接收到邻居们传来的信号，当累积的刺激越过某个门槛，它才会发出一个短促的电脉冲。没事的时候，它就安安静静待着，几乎不额外耗能。整个大脑里，同一时刻真正在放电的神经元只是一小部分，哪里需要哪里亮，其余地方一片沉默。

还有一招更省力的：大脑的记忆和计算是揉在一起的。每个突触连接的强弱本身就存储着信息，神经元处理信号的同时就在调用记忆，不用跑到别处去取数据。

传统计算机恰恰相反。处理器和内存是分开放的，每做一次计算都得把数据从内存搬到处理器、算完再搬回去。这条来回跑的路，消耗了大量的时间和能量。1978年，美国计算机科学家约翰·巴克斯（John Backus）给这个问题起了个名字，叫冯·诺依曼瓶颈。快50年了，瓶颈还在。

现在有一批人想从根上解决这个问题。他们的思路是：既然大脑这么省电，那就照着大脑来造芯片。这个方向叫类脑计算（neuromorphic computing）。

核心策略有三条。第一，把计算和存储搬到一起，别再来回跑了。第二，用稀疏表示，也就是大部分数据位保持为零，只记录有意义的变化。第三，事件驱动，有事才动，没事几乎不耗电。听上去简单，但这三条加在一起，对传统芯片架构几乎是推倒重来。

最先落地的应用之一是事件相机。普通摄像头不管画面有没有变化，每秒固定拍几十张完整画面。事件相机学的是人眼视网膜的做法：每个像素独立工作，只在检测到亮度变化时才报告，没变化就不吭声。

这带来几个好处。功耗极低，因为大部分像素大部分时间都沉默着。响应极快，因为不用等一整帧拍完。而且在强光和近乎全黑的环境下都能工作，不像传统相机那样容易过曝或欠曝。

对自动驾驶来说，这几项优势可能关乎人命。在迎面强光眩目或深夜隧道口急剧明暗变化的场景下，事件相机能在传统摄像头还没反应过来的时候就检测到行人。在太空里，电力金贵、光照条件极端，事件相机已经被用来追踪轨道碎片。

类脑芯片能不能像英伟达的GPU统治AI训练那样，再来一次赢家通吃？大概率不会。GPU擅长的是大规模、高密度、一遍遍重复的矩阵运算，适合用蛮力堆算力的场景。类脑芯片走的是巧路子，更可能催生一批各有专长的芯片，而不是一款通吃天下的产品。澳大利亚的BrainChip公司已经在卖商用的类脑处理器，专门给低功耗的摄像头和传感器用。未来它们大概率会和传统芯片、GPU并肩工作，各管各擅长的活。

省电之外，类脑芯片还带来了一个意想不到的好处：隐私保护。

因为数据可以直接在设备上处理，可穿戴设备、智能摄像头、医疗传感器采集到的敏感信息就不用再传到云端去了，留在本地就能算完。不联网也能干活，对于自动驾驶、无人机、偏远地区的机器人来说，这意味着在没信号的地方也不会变成废铁。

这并不意味着数据中心会消失，但将来需要用到数据中心的任务可能会少很多。IBM用一款叫TrueNorth的芯片做过测试，在事件驱动类任务上，能效最高可比传统芯片高出1万倍。

计算机历史上发生过一次类似的跨越。最早的计算机占满一整个房间，耗电量堪比一座小工厂。今天，你手机里一片指甲盖大的芯片，性能已经远远超过它们。那次跨越靠的是把晶体管越做越小。类脑计算瞄准的，则是一条不同的路：不再一味往芯片里塞更多晶体管，而是从根本上改变计算的运作方式。

全球类脑技术的市场规模预计到2030年将接近200亿美元，差不多是现在的4倍。英国曼彻斯特大学造了一台叫SpiNNaker的大脑模拟超级计算机，已经在这个方向上走了很远。但从实验室的超级计算机到口袋里的日常设备，中间还有一大段基础设施要建。

～～～～～～

图为大脑示意图，图源：MirageC/Getty Images

信源：Aysha Asif Riaz, The Conversation US. "Could Brain-Inspired Computers Run on the Same Amount of Power as a Human Brain?." Scientific American, 19 Sept. 2026