神经形态计算：为边缘设备带来低功耗人工智能
想象一下，你的智能手表能够实时识别你的语音指令，即使在电池电量不足的情况下也能流畅运行。这听起来像是科幻小说中的场景，但随着神经形态计算技术的不断发展，它正在逐渐成为现实。
神经形态计算，顾名思义，从人脑的运作机制中汲取灵感。与传统的计算机不同，神经形态芯片模拟了神经元之间的脉冲传递，从而实现更高效的能量利用。BrainChip 公司的首席营销官 Steven Brightfield 解释道：“我们的脑部在进化过程中就拥有了高效的能量管理机制。”
BrainChip 最近推出了 Akida Pico 芯片，这是一款专为低功耗设备设计的微型神经形态芯片。Akida Pico 的功耗仅为 1 毫瓦，甚至更低，这使得它非常适合应用于智能手机、可穿戴设备和智能家电等边缘设备。
脉冲神经网络：低功耗的秘密
神经形态芯片的核心是脉冲神经网络 (Spiking Neural Network)，它模拟了神经元之间的脉冲传递。与传统的深度学习模型不同，脉冲神经网络中的神经元拥有内部状态，只有当输入信号发生显著变化时才会发出脉冲，从而节省能量。
英特尔神经形态计算实验室主任 Mike Davies 指出：“神经形态计算在处理实时信号流方面具有显著优势。它可以实时处理数据，而无需等待收集完所有数据后再进行批量处理。”
Akida Pico 芯片集成了神经处理引擎、事件处理单元、模型权重存储 SRAM 单元、用于脉冲转换和配置的直接内存单元以及可选的外设。BrainChip 表示，在一些简单的检测器应用中，Akida Pico 可以作为独立设备使用，无需微控制器或其他外部处理单元。对于需要进一步处理的应用，它可以与微控制器、CPU 或其他处理单元结合使用。
BrainChip 的 Akida Pico 芯片设计包含了一个微型化的神经形态处理引擎，适用于小型电池供电设备。
BrainChip
低功耗人工智能的应用
BrainChip 已经开发了针对低功耗应用优化的 AI 模型架构。例如，他们展示了一种用于语音唤醒的模型，可以有效地识别语音中的关键词，例如“你好，Alexa”。
BrainChip 的模型架构将语音唤醒的功耗降低了五分之一，这对于像亚马逊 Alexa 这样的语音助手来说意义重大。Brightfield 表示：“亚马逊每年在云计算服务上花费 2 亿美元来唤醒 Alexa。他们使用微控制器和神经处理单元 (NPU) 来实现语音唤醒，但仍然消耗数百毫瓦的功率。”
除了语音唤醒，Akida Pico 还可用于音频降噪，例如在助听器或降噪耳机中应用。BrainChip 相信，随着技术的不断发展，神经形态计算将在更多领域发挥重要作用，为我们带来更智能、更节能的未来。
