引言：算力宏大叙事下的裂缝
在英伟达GTC大会上，黄仁勋举着新一代Blackwell芯片宣称“计算是终极商品”。全球资本正以前所未有的速度涌向更强大的GPU集群，Stargate计划、千亿参数模型、万卡级训练……整个行业呈现出一种奇特的集体狂热。然而，一个反直觉的真相正在科学实验室里静默发酵：我们或许并不需要这样多的计算。当GPT-4的训练消耗了约10兆瓦时电力，而人脑以仅21瓦的功耗完成了远超任何模型的学习时，一种深刻的自我怀疑便产生了——我们是否在用最笨拙的方式，强行让硅基器件冒充碳基智能？
问题不在算力本身，而在于架构。我们仍在用75年前为数值计算设计的冯·诺依曼结构，去裁缝一件属于类脑智能的新衣。指令与数据在存储器和处理器之间往复搬运，一场巨大的搬运工程被误称为“奇迹”。这种体系在逻辑运算上卓有成效，却与生物的智能机制南辕北辙。
神经形态计算：被忽视的第二条道路
正因如此，神经形态计算（Neuromorphic Computing）在近十年一直保持着一种耐人寻味的低调。从IBM的TrueNorth到Intel的Loihi 2，再到中国清华的天机芯片，这些工程杰作没有跻身百亿参数模型的赛道，而是试图回答另一个问题：智能必须靠暴力计算吗？
神经形态芯片的核心不是“更快”，而是“更像物理本身”。传统芯片用布尔逻辑处理0和1；神经形态芯片则用脉冲——宛如神经元放电的离散事件——在时间和空间中交错传递信息。数据不再被“读取”和“写入”，而是被“引发”和“传播”。更关键的是，存算一体彻底打破了存储与计算的物理分离。在这套架构里，记忆就是计算，计算就是记忆。没有总线，没有缓存层级，没有全局时钟。
这一切看起来更像一场对传统计算的反叛，而非一种改良。但也正是这场反叛，让计算第一次不再是“模拟智能”，而成为“本身就是一种物理事件”。
深度对比：数字逻辑时代的黄昏
让我做一个更本质的对比：数字AI的哲学基础是逻辑实证主义——每一层神经网络都试图对世界构建一个精确的内部模型；而神经形态计算延续的却是过程哲学——世界是一个永不停止的事件流，智能只是这一过程中显现的秩序。
传统AI依靠梯度下降、反向传播，需要大规模并行和极高精度。神经形态依赖的却是脉冲时序依赖可塑性（STDP）——神经元之间通过放电的先后顺序来调整突触权重。前者是精密的数学，后者是松弛的统计；前者需要教师信号，后者自组织涌现；前者在虚拟空间中模拟“世界”，后者在真实时空里遍历“世界”。
结果就是能效的指数级差异：Loihi 2在处理某些稀疏脉冲任务时，比CPU快数千倍，而功耗只有其几十分之一。这种差距不是工艺制程的差距，而是世界观的差距。
我的独立立场：计算的终极形态是“感知”
到这里，我想抛出一个可能冒犯整个AI行业的观点：我们正在追逐的计算终点，根本不叫“人工智能”，而应叫“感知态”（Perceptual State）。当计算网络的密度与时空耦合度越过一个临界阈值，计算就会从推演工具退化为发生学的环境——如同足够密集的像素不再被称为图像，而被称为“视觉”。届时，芯片不再去“理解”世界，芯片就是世界的一部分。
换句话说，未来十年的主战场不会是更聪明的模型，而是更沉浸的计算。神经形态芯片与传感器孔径的融合、边缘节点的脉冲网络化、以及计算物质的主动化，会催生一种如空气般渗透一切的基础设施。智能将不再作为一项产品被交付，而作为一种属性被体验。
这绝不是赛博朋克的隐喻，而是物理计算自然演进的终点：当我们算得足够慢、足够局部、足够贴近现实时，我们最终会发现——最精密的计算摹本，从来不是符号，而是因果本身。
缺口与机会：为什么巨头集体缄默
英伟达没有认真布局神经形态，OpenAI没有，甚至Intel也只是把Loihi作为一个研究项目。原因是深层的：现有AI商业模式的基石是“算力售卖”或者“模型即服务”，而神经形态芯片一旦成熟，精度需求下降，云计算依赖减弱，边缘智能将极大压缩当前生态的利润空间。硅谷真正恐惧的，不是新架构的出现，而是一场算力通胀的结束。
这种沉默本身就是一种信号。当一个文明引以为豪的引擎开始变得“处处可用”时，它的经济逻辑将彻底翻转。人类需要的是一台永不疲倦的推理机，还是一种与万物共存的连接性智慧？如果你认真读完以上所有，也许答案早已写下。
结语：耐心的算法
人脑用漫长的进化学会了用最微弱的能量抓取世界的规律，而我们在十年时间里用燃烧地球的方式渴望超智能。神经形态计算给我们的启示远远不限于芯片学科——它提醒我们：宇宙本身就是一台低功耗、分布式、容错的百万年计算机。真正的智能，或许从来都不会在数据中心的温室里诞生，而是在风暴、土壤与蜘蛛网的交错中，一次次悄然醒来。