Intel 发布神经拟态计算机 Hala Point：拥有 11.5 亿神经元，仅微波炉大小

今天的 AI 越聪明，耗电就越离谱。数据中心不仅在和工业抢电，还在拼命往显卡上堆散热。很多人开始问：人类大脑只吃一顿饭就能运转一天，为什么电脑算几个词就要烧掉几度电？

答案往往指向冯·诺依曼架构的致命伤：算和存是分开的。芯片要把数据从内存拉到处理器，算完了再送回去，大半能量全浪费在「搬运」路上。

Intel 最近给出了自己的解法。4 月 17 日，Intel 宣布造出了全球最大的神经形态计算机，代号 Hala Point。这台机器直接模仿人脑结构，把计算和存储合二为一，不再来回搬砖。

微波炉大小，塞进十亿个人造神经元

传统的架构是用显卡矩阵猛砸算力，Hala Point 则完全换了思路。它塞进了 1152 颗 Loihi 2 原型芯片，总共包含 11.5 亿个人造神经元，每秒能搞定 380 万亿次突触操作。

更有意思的是体积。按 Intel 专家 Mike Davies 的说法，这么庞大的系统只占用了标准服务器机箱里的六个机架单元，大概就跟一台家用微波炉差不多大。

至于为什么刚好停在 11.5 亿这个数字，Davies 挺坦白：其实没有遇到不可逾越的技术天花板，纯粹是因为「十亿是个好听的整数」。

在它之前，同类设备规模差得挺远。预计今年晚些时候完工的 DeepSouth 神经形态计算机，宣称的算力也只有每秒 228 万亿次突触操作，比 Hala Point 逊色不少。

在解决受限条件下的最优化问题时，Intel 声称 Hala Point 的能耗只有传统机器的百分之一。数据不需要穿过深度学习的每一层神经元，而是像人脑一样，沿着激活的神经链条流动。

硬件跑太快，软件却还在穿开裆裤

不过，别指望它明天就能取代英伟达。神经形态计算目前面临的尴尬，比普通人想象的要现实得多。

首先是软件极度匮乏。Davies 承认，Loihi 2 目前还是小批量试制，但真正的瓶颈根本不是芯片，而是中间的软件层。你怎么把现实生活中的业务问题，翻译成这种类脑芯片听得懂的语言？这套工具链还处在婴儿期，以至于 Intel 觉得现在造更大的机器根本没意义。

其次是训练难题。Intel 畅想这种架构未来能实现「持续学习」，不用像现在的 LLM 一样每次有新知识就从头重训。

但英国苏塞克斯大学的 James Knight 教授直接泼了一盆冷水，称其为「炒作」。Knight 解释说，像 ChatGPT 这类模型完全依赖海量 GPU 大规模并行计算。神经形态系统天生靠单输入脉冲驱动，很难搞大规模并行，按现在的技术，在它上面从头训一遍 ChatGPT 可能得花上几十年。

面对质疑，Davies 也退了一步，承认 Hala Point 现阶段确实不适合从头训练大模型。他们的目标更现实一点：未来让传统机器训好的基础模型接进来，在这个类脑架构上进行低功耗的持续增量学习。

为什么重要

我们认为，Hala Point 的价值不在于它能不能在下个月帮谁省下一笔 API 账单，而在于它撕开了当代深度学习的一个硬伤。

现在的生成式 AI 很大程度上是靠蛮力喂出来的，Transformer 的二次方复杂度把整个行业推向了能源悬崖。你不可能无限期靠堆火电站去堆算力。如果行业真想摸到 AGI 的门槛，光靠现在的纯软件自注意力机制，看起来迟早会撞上物理墙。

对开发者和企业来说，现在完全没有必要急着去折腾这种机器。Loihi 2 依旧是象牙塔里的原型玩具，既没有成熟的编译器，也没有现成的类 PyTorch 框架。普通程序员面对它，就像拿到了一块没有操作系统的天外陨石。

但 Intel 这一步走得很准。在常规先进制程和通用 GPU 上被英伟达压得抬不起头的情况下，持续投入类脑这种长线异构赛道，是为数不多能「换道超车」的落子。

不过隐患同样明显。如果软件栈无法在三五年内降维到普通工程师能上手的程度，这类架构就始终只能活在国家实验室的论文里，最后沦为大厂技术展示橱窗里的又一件昂贵标本。