神经形态可塑性芯片NeuroPlast深度：当芯片像大脑一样在推理中实时学习

正文

2028年11月，北京类脑智能研究院发布了NeuroPlast——全球首款在推理阶段实现突触可塑性的神经形态芯片。与传统神经形态芯片仅在设计阶段模拟大脑结构不同，NeuroPlast在运行过程中能像生物神经网络一样持续重塑连接。

「当前的神经形态芯片是「冻结的大脑」——一旦制造完成，其结构就固定了，」项目首席科学家刘明教授解释，「NeuroPlast是「活的大脑」，它在使用中不断学习。」

NeuroPlast的核心创新在于其可重构模拟突触阵列。芯片包含256个模拟突触单元，每个单元的连接强度可以通过外部输入实时调整。当芯片处理新的输入模式时，相关的突触连接会被增强，不相关的连接会被削弱——这与生物大脑中Hebbian学习法则的机制一致。

技术参数方面，NeuroPlast采用14纳米工艺制造，包含1200万个可塑性突触节点。在连续学习测试中，芯片处理同一类任务100次后，推理速度提升40%，能耗降低60%。在ImageNet持续学习基准测试中，NeuroPlast在不遗忘旧知识的前提下学习新类别的准确率达89%，比传统GPU方案高出25个百分点。

功耗方面，NeuroPlast的峰值功耗仅为1.2瓦，是同等算力GPU的八分之一。这使其特别适合部署在需要持续适应新环境的场景中——例如自动驾驶汽车在不同城市间的迁移学习，或工业机器人在不同生产线间的技能迁移。

商汤科技已宣布将在其自动驾驶平台中集成NeuroPlast芯片，计划于2029年第三季度量产上车。地平线和黑芝麻智能也在评估该芯片在边缘AI场景中的应用。

然而，NeuroPlast的持续学习特性也带来了新的挑战。由于芯片在运行中不断改变其内部状态，传统的芯片验证方法难以确保其行为的可预测性。「一个在持续学习的芯片，你很难说清楚它在某个时刻的行为逻辑，」一位芯片验证工程师评论道，「这对安全性要求极高的应用来说是个问题。」

研究团队正在开发基于形式化验证的NeuroPlast行为分析工具，但承认在安全性关键场景中的部署仍需更长时间的验证。