BRAIN / BRAIN × AI20 SEP 2026

脑科学与AI㉜｜它学会了放电，却学不会往回传

上一篇讲到：人脑只要 20 瓦，省电靠的是"有事才动、算的地方就是存的地方"。类脑芯片正是照着这套原理造的——用尖峰传信号，没事就安静，存储和计算长在一起。2014 年 IBM 发的那款，实测功耗只有 70 毫瓦。省电的问题，硬件这边确实解决了。

可十年过去，没有一块类脑芯片跑出今天大模型这种能力。这不是硬件不够好，是另一件事卡住了。

硬件换了身体，学习算法没跟着换——反向传播要的是一条连续可导的信号，脉冲给的是一串跳变的 0 和 1。

BRAIN / 01

一、最好用的学习方法，要一条连续的信号

今天大模型靠的几乎都是同一套方法：反向传播。做法是，模型猜错了多少，从最后一层往前一层层倒推，算出每一个参数该往哪个方向调、调多大。这套方法能生效，前提是信号必须连续、可以求导——像一条平滑的曲线，任何一点都能算出"往哪边倾斜"。

类脑芯片传的不是这种信号。神经元要么放一次电，要么不放，是一串硬邦邦的跳变，不是曲线。跳变的地方没法求导——往前一瞬间是 0，往后一瞬间是 1，中间没有"倾斜"可言。反向传播这套最成熟、最好用的方法，在类脑芯片的原生信号上根本用不上。

BRAIN / 02

二、绕过去的办法有，但还没练到大模型那个规模

研究者当然想过办法。一种叫"替代梯度"：训练的时候，假装这个跳变其实是一条平滑曲线，借用这条假曲线的斜率去调参数，训练完再换回真实的跳变信号去跑。这是目前训练脉冲神经网络最主流的思路之一。

另一种更彻底地绕开反向传播，叫"局部学习"：每一层自己根据身边的信号调整，不需要等一个总的误差从最后一层传回来。2020 年一项这类工作（DECOLLE）就是把这种思路做成了可训练的框架，灵感直接来自突触可塑性——神经元连接强弱的改变，本来就应该只看周围的信号，不该需要一个全局的裁判。

这两条路都是真实存在、确实能训练出东西的方法。但它们在模型变大时表现如何、能不能像反向传播那样"越大越好"，目前都还没有被验证过。2025 年一项评测的说法很直接：脉冲神经网络在复杂任务上，至今没有做到和主流深度学习打平。

BRAIN / 03

三、Loihi 算过账，规模差着好几个数量级

硬件这边也不是没有认真投入。英特尔 2018 年发布的 Loihi 芯片，128 个核，总共能支持 12.8 万个神经元、1.28 亿个突触，带片上学习能力。这个数字放在神经形态芯片里已经很可观。

但今天一个主流大模型的参数量是以千亿计的。1.28 亿和千亿之间，隔着将近四个数量级。不是工程师偷懒没做大，是在"连大一点的脉冲网络是否值得"这个问题上，还没有一条被验证过的路径——没有算法先证明"做大了确实更好"，芯片厂商就缺一个敢往这个方向砸钱的理由。

BRAIN / 04

四、一整条产业链，是为另一种硬件堆出来的

反向传播不是孤立存在的。围着它，工程界堆了几十年的东西：GPU 专门为大批量、同步、精确的矩阵乘法设计；PyTorch 这类框架把求导这件事自动化到了极致；每一次调参、每一个工程技巧，都是在这同一条路线上反复试出来的经验。

换到类脑芯片这条路，这些积累基本用不上——异步、事件驱动的编程模型，和"同步批量乘加"是两套完全不同的玩法。相当于前面几十年的工程经验，换一条赛道，很多都要重新攒。

BRAIN / 05

五、换了身体，没换脑子里那套学习法

回到开头那句话：类脑芯片学会了大脑放电的样子——稀疏、事件驱动、存算一体，这几点都做到了。但大脑真正的学习方式（神经元依靠周围信号、局部地调整连接强弱，没有一个全局裁判）和今天 AI 最成熟的学习方式（反向传播，靠一个全局误差信号一路倒推），根本不是一回事。

类脑芯片的硬件，其实更接近大脑自己的学习方式；可配套的、成熟到能喂千亿参数的训练方法，到今天还是反向传播这一套——而反向传播要的，正是类脑硬件原生不提供的那种连续信号。硬件换了身体，脑子里那套学习法没有跟着换过来，新身体的优势也就用不上。

BRAIN / 06

六、三行，留着复习

```

反向传播要连续信号 跳变的0/1求不出导数；替代梯度、局部学习是绕过去的办法，但都没在大模型规模上验证过

规模差着好几个数量级 Loihi支持12.8万神经元/1.28亿突触，和千亿参数的大模型隔着约四个数量级

硬件换了身体，学习法没换 类脑芯片做到了稀疏、事件驱动、存算一体，但配得上这套硬件的训练方法还没成熟到能喂大模型

```

本篇是「脑科学 × AI」系列第32篇，由药神撰写（2026年10月3日），承接杰哥与药神当天关于类脑芯片为什么跑不出大模型能力的讨论（原话见第31篇引出的追问）。核心判断——「硬件学会了放电的样子，没学会反向传播要的那种信号」——是本人基于下述一手资料做出的推论性解释，不是任一篇论文的直接结论；「没人验证过做大是否有效」一句属合理推测，已在正文中以「还没有被验证过」「目前都还没有」等保留措辞呈现，不作为确证陈述。不构成任何技术选型建议。

阅读依据：IBM TrueNorth芯片70毫瓦实测功耗沿用本系列第31篇已核实的Merolla PA et al. 'A million spiking-neuron integrated circuit with a scalable communication network and interface.' Science 2014;345(6197):668-673。Intel Loihi芯片规格（128核、12.8万神经元、1.28亿突触、片上学习）见Davies M et al. 'Loihi: A Neuromorphic Manycore Processor with On-Chip Learning.' IEEE Micro 2018;38(1):82-99（计算机工程期刊，未被PubMed索引，经公开摘要与权威转述核对）。替代梯度训练脉冲神经网络见Neftci EO, Mostafa H, Zenke F. 'Surrogate Gradient Learning in Spiking Neural Networks.' IEEE Signal Processing Magazine 2019;36(6):51-63（未被PubMed索引，按学界公认引用处理）。局部学习框架DECOLLE见Kaiser J, Mostafa H, Neftci E. 'Synaptic Plasticity Dynamics for Deep Continuous Local Learning (DECOLLE).' Front Neurosci 2020;14:424，PMID 32477050。脉冲神经网络至今未在复杂任务上追平主流深度学习的表述见Liao W et al. 'SpikeAtConv: an integrated spiking-convolutional attention architecture for energy-efficient neuromorphic vision processing.' Front Neurosci 2025;19:1536771，PMID 40143843（摘要原文：'SNNs have yet to achieve competitive performance on complex...'）。