初创公司即融资上亿，这个“人造超级大脑”赛道为什么不是噱头？(2)

连接方式不同，稀疏连接与全连接；

驱动方式不同：事件驱动与数据驱动；

学习方式不同：DNN是从大量数据中总结出规律，而SNN则是因果学习，自适应能力强。

这也就导致SNN所表现出的功耗更低，效率更高以及自适应能力更强。 但与此同时，也不免有人质疑SNN的有效性。 因为关于SNN训练，目前还面临着诸多挑战，包括脉冲神经元中复杂的时空动力过程、脉冲信息不可导、脉冲退化和训练精度损失等，也就进一步导致当前尚未存在一种统一的、且公认有效的算法来训练它。 具体举个例子，如杨旭博士所说，比如由于SNN中的脉冲不可微分，DNN中非常成熟的 梯度下降法 就没法直接应用，但现在由于对大脑机制的理解还不够，就找不到一个能和该方法同样有效的训练方法。 处于同一境地的，还有 类脑芯片 。 目前也没有统一的技术方案 （此处统一指代的是具有超低功耗的计算芯片） 。 世界上最早的一款类脑芯片，当属于IBM于2011年研制出的两个具有感知认知能力的硅芯片原型。 随后像英特尔、斯坦福、曼大、浙大、清华也都相应推出自己的芯片方案。 2019年，第三代 天机芯 登上Nature封面，再度掀起对类脑芯片的热议。芯片搭载在无人驾驶自行车上，实现了自主决策、实时视觉探测、自动避障等功能。 除此之外，另外两种趋势也不容忽视。 一种是类脑感知芯片，也叫做神经形态传感器，即对类脑触觉、视觉、听觉等传感器的研究，开发具有高时间分辨率、低延时、低功耗的新型传感器，在机器人、物联网等方面有应用价值。 比如三星的动态视觉传感器 （DVS） ，配在数码相机上就能捕捉2000帧的画面，只消耗300毫瓦的电能。 另一种则是材料的延伸，开发基于纳米等新材料的芯片，比如像忆阻器、相变存储器、电化学存储器。 可以感知到的是，兜兜转转近十年的类脑芯片，目前还市场标准还未统一，应用场景也多样。更多芯片方案还处于自我更新迭代当中。 算法如此，芯片如此，背后的核心原因其实也不难理解。 一方面是理论知识不够，受限于对大脑机制的了解；另一方面则是工程化难题，从理论落到实际。 也正因此，类脑计算相关的质疑始终不少。 甚至有人直言：噱头而已。

是不是真的噱头，且来看当前的行业现状。 事实上，我们已经可以见到类脑计算商业化的身影。 放眼全球，从2013年开始便有相关创企开始冒头，国内则集中爆发于2017-2018年 。 据不完全统计，全球类脑企业公司已有20家左右，虽然融资轮次多集中于A轮，但各家公司拿到的融资金额少则千万多则上亿， 甚至还出现了一家上市企业 ，来自法国的Brainchip。 跟更多前沿产业一样，有几家是直接从相关大学或研究所的类脑研究成果中孵化而来，Brainchip在内包括Innatera、时识科技、灵汐科技、优智创芯等。 △ 国外类脑企业代表 △ 国内类脑企业代表 从这些公司的技术路线上来看，主要有两条路径，恰好也是前面提到实现类脑智能的两种解决思路。 一是芯片优先，即在硬件层面上进行对大脑机制的模拟。 目前大多数类脑企业都是这个思路。 以优先上市的Brainchip为例，他们研发出了世界上第一款商用神经拟态处理器Akida，面向边缘AI计算，去年10月开始量产。今年2月还与奔驰达成合作，用于座舱内的感知和识别。 最新融资约4000万元的荷兰企业Innatera，去年推出了一款基于SNN的神经拟态加速器，主要用于语音识别、生命体征监测和雷达等。 再比如专注于图像和视频领域的类脑企业PROPHESEE，通过模仿人眼和大脑的工作方式，开发出了一款类脑智能视觉处理器，能够帮助提高自动驾驶、工业自动化、物联网、安防以及AR/VR等领域的识别效率。 国内方面的代表 ，比如时识科技 ，其产品既包括可达到0.1mW的超低功耗计算芯片，还包括可用于面部检测、实时手势识别、实时目标分类等视觉任务的各类动态视觉类脑感知芯片。 做感知芯片的不算少，还包括专注类脑触觉芯片的 他山科技 （该芯片于去年9月流片） ，专注类脑嗅觉芯片的 中科类脑 （主要用于火灾预警等场景） 等。 灵汐科技 的重点是异构融合类脑计算芯片，该类芯片只需12W功耗即可提供32Tops的INT8算力和6Tflops的FP16算力。