计算机科学家历来认为，人类大脑的运算方式以近似估算为主，因此受大脑启发研发的类脑计算硬件，在复杂数学运算方面的表现不及传统硬件。而美国阿尔伯克基市桑迪亚国家实验室的研究人员，正推翻这一固有假设。他们在去年 11 月发表于《自然・机器智能》的论文中证实，英特尔研发的神经形态硬件可利用科学计算领域的核心方法 ——

　　神经形态计算相比传统硬件，具备更高的能效优势。传统计算硬件依靠密集排布的电子开关完成信号累加运算。桑迪亚国家实验室计算神经科学家 James B. (Brad) Aimone 表示：“人工智能领域已取得巨大突破，但这些突破的实现，背后需要新建一座座发电站来支撑算力能耗。” 他补充道：“而人类大脑进行复杂思考交流时，每人的能耗仅为 10 瓦。”

　　人类大脑的运算依赖连接相对稀疏的神经元神经元通过脉冲放电的模式实现信号传递。Aimone 解释道：“神经元接收带有权重的信息后，会发出具有时间特征的全或无式电脉冲，并传递至邻近神经元，这一动态过程决定了最终的输出结果。” 目前已有多种技术方案能在硬件中实现这类脉冲放电模式：部分系统采用模拟器件，而英特尔 Loihi 2 这类硬件，则通过传统制造工艺打造的数字电路，复刻神经元的脉冲放电特性。Loihi 2 搭载了超 10 亿个数字神经元，数量与小型哺乳动物和鸟类的大脑神经元数量相当。

　　拥有神经科学研究背景的 Aimone 指出，神经形态计算领域的研究者，通常将研究重心放在他们认为具有 “类脑特性” 的应用场景上，例如实时传感器数据处理。而这一做法，或许低估了大脑的实际运算能力，且没有任何依据能证明，这类类脑硬件无法胜任有限元法这类传统高性能计算任务。

　　有限元法（FEM）是流体力学、力学、电磁学领域的经典求解方法，可用于分析材料失效原理、Wi-Fi 信号在建筑内的传播路径等问题。桑迪亚国家实验室计算神经科学家 Bradley Theilman 表示，有限元法是求解随时间和空间分布的各类物理问题相关微分方程的核心手段。

　　Theilman 与 Aimone 认为，人类大脑实则一直在持续求解这类复杂物理问题。例如击打棒球这一动作，就是一项复杂的物理运算过程：大脑需要处理随时间动态变化的信息 —— 追踪棒球的飞行轨迹，并规划球棒的挥动动作。Theilman 说：“这是典型的复杂问题，大脑需要根据实时信息调控肌肉运动，最终实现球棒与棒球的精准接触。”

　　两人此次关于有限元法的研究，灵感来源于猕猴运动皮层的计算模型。该模型中一组被称为 “矩阵” 的数值表，让 Theilman 联想到了有限元法中使用的矩阵。桑迪亚国家实验室的研究团队将有限元法适配至这一猕猴运动皮层模型，并在英特尔 Loihi 2 硬件上完成落地验证，证实该类脑硬件可实现偏微分方程的求解。

　　Theilman 表示，根据团队的测算结果，利用神经形态硬件进行有限元法运算，相比传统系统仅能实现小幅能效提升。但由于目前使用的是非标准化的科研级硬件，难以基于已发表的研究结果，开展二者间真实的能效对比。目前该团队正着手将更大规模的运算任务适配至神经形态硬件，预计在大运算量场景下，这类硬件的能效优势将更为显著。Aimone 指出，传统计算方法经过长期优化，已与传统硬件高度适配，二者相互成就；而神经形态计算的能效优势，还需要时间来验证和凸显。

　　英国曼彻斯特大学荣誉退休计算机科学家 Steve Furber 评价道，这项研究是桑迪亚团队此前成果的延续 —— 该团队曾在神经形态硬件上实现了另一类微分方程求解方法蒙特卡洛法的落地。Steve Furber 认为，英特尔 Loihi 2 硬件的特性十分适配这类数学问题的求解，且能实现高效运算。其研究团队也曾利用自研的基于 Arm 架构的 SpiNNaker 硬件，完成了热扩散问题的建模，这类问题与微分方程求解具有相似性。

　　Aimone 表示，这些研究成果表明，神经形态计算的应用潜力，远超出计算机科学家此前的认知。他说：“值得为各类数学问题开展深度研究，没有任何理由认为，神经形态计算无法实现这些运算任务。”