《Brain Inspired Computing: A Systematic Survey and Future Trends》是由Guoqi Li（中国科学院自动化研究所）、Lei Deng（清华大学精密仪器系）、Huajin Tang与Gang Pan（浙江大学计算机学院）、Yonghong Tian（北京大学计算机学院，兼鹏城实验室）、Kaushik Roy（美国普渡大学电气与计算机工程学院）以及Wolfgang Maass（奥地利格拉茨工业大学计算机学院）共同完成的综述性论文。该文于2023年1月19日发布于预印本平台TechRxiv（DOI: 10.36227/techrxiv.21837027.v1），采用CC BY 4.0许可协议。

论文主题与背景

本文系统梳理了脑启发计算（Brain Inspired Computing, BIC）这一新兴交叉领域的研究进展与未来趋势。BIC旨在通过借鉴生物神经系统的信息处理机制、结构或功能，构建更通用的人工智能（AI）理论模型、硬件架构和应用系统。其核心挑战在于：如何利用计算神经科学的最新进展增强AI模型？文章提出，BIC的发展依赖于四大基础设施的协同设计：模型/算法、硬件平台、软件工具和基准数据集。

主要观点与论据

1. BIC的概念界定与范畴

• 定义分歧：BIC早期被等同于非逻辑计算模型（如直觉思维），后因IBM TrueNorth芯片的推出与“神经形态计算”（Neuromorphic Computing）概念混淆。本文明确BIC是更广泛的研究领域，其不仅涵盖神经形态硬件，还包括基于脉冲神经网络（Spiking Neural Networks, SNNs）的理论模型和应用系统。
• 与深度学习的区别：传统深度学习基于人工神经网络（ANNs），神经元仅为乘累加单元（MAC）；而BIC的核心SNNs通过引入神经元动力学（如膜电位积分、脉冲发放机制）更接近生物神经元的特性。
• 分类框架：提出“经典BIC”（聚焦SNNs与神经形态芯片）与“广义BIC”（涵盖“脑科学驱动AI”和“AI赋能脑科学”两大方向）的分层定义，并绘制了与相关领域的范畴关系图（如图3所示）。

2. BIC模型与算法的研究进展

• 神经元建模：从时空复杂度角度对比了单室模型（如LIF漏积分发放模型）、多室模型（模拟树突-胞体交互）和精细神经元模型（如Hodgkin-Huxley模型），指出生物合理性与计算效率的权衡是关键（图5-6）。
• SNN训练方法：
  • 无监督学习：基于STDP（脉冲时序依赖可塑性）规则的局部学习在MNIST分类中达到95%准确率（Diehl et al., 2015），但难以扩展至深层网络。
  • ANN-SNN转换：通过归一化阈值与权重，VGG-16转换模型在ImageNet上实现74.61%准确率（Li et al., 2021），但需数百时间步长模拟。
  • 直接训练：使用替代梯度法（如STBP时空反向传播）的SNNs在DVS-CIFAR10事件数据集上达80.9%准确率（Zhou et al., 2022），且时间步长显著缩短。
• 关键考量：提出生物合理性、有效性、效率与可训练性四维评估框架（图9），强调多室模型和注意力机制等神经科学启发的设计可提升SNNs的泛化能力。

3. BIC硬件平台的分类与挑战

• 神经形态传感器：对比动态视觉传感器（DVS，如DAVIS346）与基于时间的图像传感器（如VIDAR）的异步事件编码机制（表III），指出DVS在微秒级时间分辨率与高动态范围（120dB）的优势。
• 神经形态芯片：
  • 功能视角：分为纯SNN支持型（如TrueNorth）、SNN/ANN混合型（如Tianjic）及支持学习规则型（如Loihi）。
  • 架构视角：近存计算（如Tianjic的多核分散架构）与存内计算（如基于忆阻器的交叉阵列）是主流，后者能效比传统冯·诺依曼架构高1-2个数量级。
  • 挑战：指出ANN加速器变体（如SpinalFlow）虽能高效处理稀疏脉冲，但缺乏对神经元动力学的原生支持。

4. 软件工具与基准数据的生态构建

• 软件栈：分为三类——针对特定芯片的工具链（如Loihi的NxSDK）、算法编程平台（如BindsNET）和生物网络模拟器（如NEURON），强调需开发类似PyTorch的统一框架。
• 数据集：模拟数据集（如N-MNIST）通过LCD屏转换生成，真实事件数据集（如DVS-Gesture）直接由神经形态传感器采集。多模态数据（如视觉-听觉联合事件）成为新趋势。

5. BIC系统框架与跨学科价值

提出四组件协同设计的全栈解决方案（图2）：高层模型指导硬件/软件设计，硬件反馈优化算法效率，基准数据提供验证场景。BIC的跨学科性体现在： - 对AI的推动：神经形态芯片的存内计算架构可突破冯·诺依曼瓶颈，SNNs的脉冲稀疏性使能效提升5倍以上。 - 对脑科学的反哺：SNNs模拟多尺度神经动力学，为理解生物智能提供计算验证工具。

论文意义与价值

本文首次系统定义了BIC的范畴与基础设施框架，为领域内分散的研究提供了顶层设计指南。其核心贡献包括： 1. 理论层面：澄清BIC与神经形态计算、深度学习的边界，提出“经典-广义”二分法。 2. 技术层面：总结SNN算法、硬件架构的演进路径，指出生物合理性与工程效率的平衡点。 3. 生态层面：呼吁构建算法-硬件-软件-数据协同的研究体系，推动BIC从实验室走向实际应用（如自动驾驶、边缘计算）。

亮点与创新

• 全面性：覆盖2015-2023年来自IBM、Intel、学术界等机构的37种芯片和62种算法。
• 前瞻性：预测未来趋势包括多模态神经形态传感、SNN-ANN混合模型、以及类脑计算与量子计算的融合。
• 批判性：指出当前SNNs在ImageNet等静态任务上仍落后ANNs，强调需开发专属于脉冲数据的评测基准。