自20世纪中叶以来，由硅基芯片驱动的信息技术革命深刻地改变了人类社会。然而，随着摩尔定律的放缓和传统计算架构瓶颈的日益凸显，尤其是在人工智能等数据密集型任务的驱动下，探索新的计算范式已成为时代的迫切需求。借鉴生物大脑亿万年进化而来的高效信息处理机制，发展类脑计算，并探索其与人脑的直接交互，为后摩尔时代的技术突破开辟了全新的想象空间。
2025年10月29日下午4点，本学期第一期“周三茶座”有幸邀请到了北京大学博雅特聘教授、信息工程学院院长、科学智能学院副院长杨玉超教授主讲本次茶座：“后摩尔时代的类脑革命：碳基智慧与硅基芯片的融合”。刘珂教授主持了此次茶座。
杨玉超教授作报告
在本次茶座中，杨玉超教授首先剖析了后摩尔时代传统计算架构面临的“存储墙”与“功耗墙”两大瓶颈，进而系统阐述了借鉴生物神经系统的“碳基智慧”如何启发类脑计算这一新兴范式，并详细介绍了忆阻器存算一体芯片、类脑感知等前沿技术，最后展望了通过闭环脑机接口实现人机共生的未来图景。
硅基芯片的辉煌与瓶颈
茶座伊始，杨玉超教授首先回顾了“摩尔定律”这一驱动了半个多世纪技术进步与经济增长的黄金法则。该定律指出，集成电路上可容纳的晶体管数目约每隔18-24个月便会增加一倍。尽管当前其增速已显著放缓，但这一趋势在过去几十年中极大地推动了个人电脑、互联网和智能手机的普及。
然而，我们已步入“后摩尔时代”。由于逼近半导体物理极限以及制造成本的急剧攀升，摩尔定律的持续性面临严峻挑战。更根本的制约来自于现代计算机普遍采用的冯·诺依曼架构。该架构的核心特点是计算单元与存储单元的分离，这带来了两大瓶颈：
1. 存储墙（Storage Wall）：数据需要在处理器和内存之间频繁搬运，消耗大量时间与能源。在传统计算任务中，大量的计算任务集中于少部分数据中，所以缓存（Cache）机制尚能缓解此问题。但在人工智能等新兴计算任务中，需要加载海量数据并只进行简单计算，使得数据搬运本身成为效率瓶颈。杨教授指出，当前高端AI芯片（如英伟达GPU）成本高昂，很大一部分原因在于其搭载的用于解决数据搬运问题的高带宽内存（HBM）价格不菲。
2. 功耗墙（Power Wall）：数据搬运过程耗费巨量能源，产生了巨大的散热需求，限制了计算系统性能的进一步提升。
面对这些约束，学术界和产业界开始思考：能否设计出更巧妙、更高效的新型计算架构？自然界为我们提供了绝佳的参照——生物神经系统。
碳基智慧启发的类脑计算
生物神经系统是一个由多种神经元和突触构成的复杂网络，它将感知、计算与记忆功能高度耦合，能够以极低的功耗执行学习、决策等复杂智能任务。杨玉超教授指出，借鉴生物神经系统原理的“类脑计算”，正是一种具备低功耗、高并行、存算一体等潜力的新型计算范式。
杨教授解释道，类脑计算目前尚无严格定义，通常被描述为借鉴生物神经系统信息处理的基本原理，以完成智能任务的新方法。它与“神经形态计算”（Neuromorphic Computing）和“脑启发计算”（Brain-Inspired Computing）等概念密切相关。其本质逻辑在于：既然人类智能源于大脑，那么模仿大脑工作方式的计算机也可能拥有智能。
研究类脑计算的思路通常是从建模基础单元（如神经元）开始，逐步扩展到神经网络规模，最终应用于解决实际智能问题。杨玉超教授分享道，不同团队的切入点各异，有的侧重于理论建模以理解生物神经计算的原理，而他所在团队则更侧重于用硅基硬件实现单个神经元，再通过“搭积木”的方式进行规模扩展。
杨教授简要回顾了类脑计算的发展历史：
· 1960-1970年代：对大脑基本工作原理的理解取得突破，如赫布法则（Hebbian Rule）、霍奇金-赫胥黎（Hodgkin-Huxley）脉冲神经元模型等。
· 1970-1980年代：类脑思想开始赋能人工智能，如受神经网络启发的反向传播算法的提出。卡弗·米德（Carver Mead）正式提出“神经形态计算”概念，并开创性地利用晶体管的模拟物理特性来映射神经网络功能。
· 1990年代：脉冲神经网络（SNN）和脉冲时间可塑性（STDP）等理论被提出，GPU开始出现并承担一些并行计算应用。
· 2000年代：类脑计算的应用潜力初现，如类脑视觉传感器、SpiNNaker等神经形态芯片系统问世。2008年，惠普实验室“重新发现”忆阻器，为硬件实现突触功能提供了新的可能。
· 2010年代：以IBM的TrueNorth和Intel的Loihi为代表的类脑芯片相继发布，其神经元数量达到了小鼠大脑的规模。Nvidia使用GPU执行通用计算任务的并行计算架构，CUDA（Compute Unified Device Architecture）
类脑计算的前沿技术
杨玉超教授介绍了当前类脑计算领域的几条主流前沿技术路径：
1. 数字型类脑芯片：基于已有的计算模型，用数字电路来实现神经形态计算架构。其优点是规模大、易于编程，但能耗相对较高，且需要构建全新的软件生态。
2. 模拟/混合信号类脑芯片：利用半导体器件的物理特性直接模拟神经计算过程，能效更高。例如苏黎世大学的ROLLS处理器。
3. 类脑视觉感算芯片：专注于感知维度，通过脉冲编码实现动态、高速的视觉感知与处理，已在电力巡检、超高速相机等领域展现应用价值。
4. 忆阻器存算一体芯片：忆阻器阵列的物理结构天然对应矩阵，可利用欧姆定律和基尔霍夫定律直接在存储单元内完成矩阵乘法运算，实现极高的并行度和能效。杨玉超教授强调，目前主流的人工智能神经网络都依赖矩阵计算，例如线性神经网络、注意力矩阵计算等。而杨教授团队也正致力于此方向，需要与芯片代工厂紧密合作，解决器件良品率和工艺均一性等工程挑战。他展示了其团队的成果，忆阻器芯片规模已从2020年的64K发展到2025年的288Mb，并已能支持初步大型语言模型（LLM）的推理，甚至实现了片上系统（SoC）的设计：具有主控核心，对其中芯片进行配置，让同一个芯片支持不同配置模式。
虚实共生的闭环脑机接口
茶座的最后一部分，杨玉超教授带我们将目光投向了类脑计算与生物智能融合的终极形态——脑机接口。他认为，与其追求完全模拟大脑的芯片，一个更具前景的方向是构建高效的脑机接口，将机器智能与生物智能的优势（如机器的精确计算能力和生物的迁移学习能力）相结合。
实现这一目标需要构建一个虚实共生的闭环系统，其关键环节包括：
· 神经信号采集：通过侵入式（例如Neuralink）或非侵入式电极，高密度、高保真地采集大脑的电生理信号。
· 神经信号解码：利用算法对采集到的信号进行预处理、特征提取和分类，理解其编码的意图。类脑芯片的高通量并行处理能力在此环节具有巨大优势。
· 神经信号编码与刺激：将外部信息编码成大脑可以理解的神经信号，并输入给大脑，从而实现从“机”到“脑”的信息传递，构成双向闭环。
杨玉超教授指出，这一领域的发展是系统工程，需要分阶段进行验证，从低等生物到非人灵长类动物，最终应用于人类。其潜在意义巨大，有望在疾病治疗、运动康复等领域发挥重要作用，长远来看，甚至可能构建出不同脑区、不同个体之间信息实时互通的“脑际网络”。
交流环节
在茶座的最后，杨玉超教授与现场师生进行了热烈的互动交流。
杨教授与学生交流
有同学提问近期北京大学在模拟计算领域的新闻是否与忆阻器工作相关。杨教授肯定地回答，该工作正是利用忆阻器基于物理定律实现计算，解决了其中的一个关键技术问题。他还补充道，生物大脑可能也采用了局部模拟与全局数字相结合的策略，充分利用了局部模拟的效率和数字模式的鲁棒性优势。
当被问及类脑芯片的产业化前景时，杨教授表示这依赖于具体应用场景。一些功能相对简单的应用已经落地，但在大模型等复杂领域，仍需在芯片的可靠性和算力上取得更大突破。
对于双向脑机接口发展的制约因素，杨教授认为这是一个多学科交叉的难题，涉及生物材料、模拟/数字电路、解码算法、刺激技术等多个环节，每个环节都至关重要。因此，他的团队也由来自集成电路、算法、物理、材料、神经科学等不同背景的人构成。
最后，针对技术发展可能带来的伦理问题，杨教授表示，所有颠覆性技术都会面临伦理挑战，需要成立专门的伦理委员会进行探讨和规范。目前，临床产品的审批是该领域最严格的伦理把关环节。
茶座结束后，刘珂教授代表前沿交叉学科研究院和听众对杨玉超教授的精彩演讲表示了衷心感谢并赠送了周三茶座纪念品。
