Intel 釋出神經擬態計算機 Hala Point：擁有 11.5 億神經元，僅微波爐大小

今天的 AI 越聰明，耗電就越離譜。資料中心不僅在和工業搶電，還在拼命往顯示卡上堆散熱。很多人開始問：人類大腦只吃一頓飯就能運轉一天，為什麼電腦算幾個詞就要燒掉幾度電？

答案往往指向馮·諾依曼架構的致命傷：算和存是分開的。晶片要把資料從記憶體拉到處理器，算完了再送回去，大半能量全浪費在「搬運」路上。

Intel 最近給出了自己的解法。4 月 17 日，Intel 宣佈造出了全球最大的神經形態計算機，代號 Hala Point。這臺機器直接模仿人腦結構，把計算和儲存合二為一，不再來回搬磚。

微波爐大小，塞進十億個人造神經元

傳統的架構是用顯示卡矩陣猛砸算力，Hala Point 則完全換了思路。它塞進了 1152 顆 Loihi 2 原型晶片，總共包含 11.5 億個人造神經元，每秒能搞定 380 萬億次突觸操作。

更有意思的是體積。按 Intel 專家 Mike Davies 的說法，這麼龐大的系統只佔用了標準伺服器機箱裡的六個機架單元，大概就跟一臺家用微波爐差不多大。

至於為什麼剛好停在 11.5 億這個數字，Davies 挺坦白：其實沒有遇到不可逾越的技術天花板，純粹是因為「十億是個好聽的整數」。

在它之前，同類裝置規模差得挺遠。預計今年晚些時候完工的 DeepSouth 神經形態計算機，宣稱的算力也只有每秒 228 萬億次突觸操作，比 Hala Point 遜色不少。

在解決受限條件下的最最佳化問題時，Intel 聲稱 Hala Point 的能耗只有傳統機器的百分之一。資料不需要穿過深度學習的每一層神經元，而是像人腦一樣，沿著啟用的神經鏈條流動。

硬體跑太快，軟體卻還在穿開襠褲

不過，別指望它明天就能取代輝達。神經形態計算目前面臨的尷尬，比普通人想像的要現實得多。

首先是軟體極度匱乏。Davies 承認，Loihi 2 目前還是小批次試製，但真正的瓶頸根本不是晶片，而是中間的軟體層。你怎麼把現實生活中的業務問題，翻譯成這種類腦晶片聽得懂的語言？這套工具鏈還處在嬰兒期，以至於 Intel 覺得現在造更大的機器根本沒意義。

其次是訓練難題。Intel 暢想這種架構未來能實現「持續學習」，不用像現在的 LLM 一樣每次有新知識就從頭重訓。

但英國蘇塞克斯大學的 James Knight 教授直接潑了一盆冷水，稱其為「炒作」。Knight 解釋說，像 ChatGPT 這類模型完全依賴海量 GPU 大規模平行計算。神經形態系統天生靠單輸入脈衝驅動，很難搞大規模並行，按現在的技術，在它上面從頭訓一遍 ChatGPT 可能得花上幾十年。

面對質疑，Davies 也退了一步，承認 Hala Point 現階段確實不適合從頭訓練大模型。他們的目標更現實一點：未來讓傳統機器訓好的基礎模型接進來，在這個類腦架構上進行低功耗的持續增量學習。

為什麼重要

我們認為，Hala Point 的價值不在於它能不能在下個月幫誰省下一筆 API 賬單，而在於它撕開了當代深度學習的一個硬傷。

現在的生成式 AI 很大程度上是靠蠻力喂出來的，Transformer 的二次方複雜度把整個行業推向了能源懸崖。你不可能無限期靠堆火電站去堆算力。如果行業真想摸到 AGI 的門檻，光靠現在的純軟體自注意力機制，看起來遲早會撞上物理牆。

對開發者和企業來說，現在完全沒有必要急著去折騰這種機器。Loihi 2 依舊是象牙塔裡的原型玩具，既沒有成熟的編譯器，也沒有現成的類 PyTorch 框架。普通程式設計師面對它，就像拿到了一塊沒有作業系統的天外隕石。

但 Intel 這一步走得很準。在常規先進製程和通用 GPU 上被輝達壓得抬不起頭的情況下，持續投入類腦這種長線異構賽道，是為數不多能「換道超車」的落子。

不過隱患同樣明顯。如果軟體棧無法在三五年內降維到普通工程師能上手的程度，這類架構就始終只能活在國家實驗室的論文裡，最後淪為大廠技術展示櫥窗裡的又一件昂貴標本。