类脑计算深度产业报告

Brain-inspiredComputing/Neuromorphicmputing类脑计算/神经形态计算QbitaiIndustryInsightsReport深度产业报告12量子位硬科技深度产业报告——类脑计算/神经形态计算近年来深度神经网络(DNN)取得了令人瞩目的进步，但与人脑相比，DNN在信息处理的效率(速度和功耗)上相反，人脑中神经元以脉冲的形式进行信息传递。每当神经元发出脉冲信号时(被激活)，脉冲信号会传输到所进行处理。若未能达到触发阈值，神经元则处于非激活状态，并且存储对过去输入的记忆，因此人万个协调的并行过程。这样庞展主要依靠庞大的数据量和精确计算。在冯诺依曼架构下，庞大的数据量意味着计算机承担模的运算，随之而来的就是功耗极速上升。随着各国碳中和脚步加快，高能耗甚至需要企业付出额我国没有明确碳排放超标的惩罚措施，但庞大计算量产生的用电成本、维护成本就不是一般人工智成本可控的基础上。注的方向。先进的系统，模仿大脑运行机制的硬件系统具有高效和低功耗特点。模仿大脑行为的神经网络被称为神经形态网络，其代表为脉冲神经网络(SNN)，也是目前类脑研究的核心。这种被称为“第三代神经网络”借鉴生物脑稀疏的、模仿大脑神经结构和工作原理而创新出来的神经形态计算被称为类脑计算。欧洲的HBP(人脑计划)曾指出，。量子位硬科技深度产业报告——类脑计算/神经形态计算技术篇价值篇产业篇4量子位硬科技深度产业报告——类脑计算/神经形态计算技术篇述人工智能的发展途径计算机科学发展而来的深度学习途径，另一个是沿着模仿人脑发深度学习途径升计算密度，从而获得性能提升。U向特定领域的专门应用，需要大量的数据训练神经网络，其较长的设计迭代周期也增加了芯片的开•类脑计算途径拟人脑神经网络计算为基础而发展出的一种新型芯片，通过模拟神经元和突触的典型特征，如存算到更高的智能水平。典型代表包括IBM义狭义的类脑计算是模仿大脑神经结构和工作原理而创新出来的神经形态计算(如SNN芯片设计)、SNN类脑模型、Computing)。广义的类脑计算是借鉴脑的结构和工作原理，但又不局限对脑的模拟(SNN)，还包括融合传统的人工神经网络•人脑特性大量神经元通过突触连接在一起，每个神经元通过接受发送脉冲、建立新的突触，从而构建起一个庞主要由树突、轴突和胞体组成。树突负责收集其他神经元传来的信息并通过电流的形式将其传来的电流引起胞体膜电位变化，当膜电位超过一定阈值时，神经元将脉冲信号，通过轴突传给其他神经元。只有当膜电位达到放电阈值才会激发神经脉冲传递信息，大部分的转。5量子位硬科技深度产业报告——类脑计算/神经形态计算类脑计算如何模仿大脑的计算机制和高效。例如，要信息，从而减少能耗；在处理信息的同时能够对其进行加工、理解、抽象和归纳。此类功能在识别类脑计算就是以人脑为蓝本，实现新一代计算体系结构，主要思路是以事件触发(Event-driven)为运算机制，基脉冲神经网络(SNN)为导向，沿着脑模拟方向发展，以0/1脉冲序列表达信、稀疏发放等特点。主要特征入信息转换成脉冲序列信号，并在信息传递过程中维持脉冲之间的时间关系。因此，神经元具有•事件驱动(事件驱动是实现稀疏计算的根本基础)SNN中的神经元不会在每个信息传递的周期都被激活，只有当神经元膜电压积累到特定的电压阈值时才会放电(发放脉冲)。神经元激活后，会发放一个脉冲信号传递给其他神经元，其他神经元会根据这个脉冲信号增加或减少膜关键要素机制和神经元互联结构。大脑中神经元模型与网络结构在人出生之时已基本形成，且在人的成长过程中几乎不会发生大的变化。变化主要程中与外界环境不断交互，获取新知识并与已有知识建立联系，从而提升问题解决和环境自适应能基于脉冲神经网络的仿脑特性，其学习规则的构建处于次要位置，而对学习机制的模仿是脉冲神经网络发展和应AI，、语音识别和专家系统等方面取得可以匹敌人脑、甚至超越人脑面，当前的深度学习也面临诸多挑战，如需要充足的数据、完整的知识、确定的静态问题、容脉冲神经网络通过融合受生物启发的、高效的神经信息处理机制，有望实现更稳定鲁棒的信息和脉冲神经网络模型能够彼此形成互补。深度学习模型的计算准确率高，研究生态较完善；脉算法模型还不成熟。N信息流神经元状态(连续状态值)脉冲序列(01脉冲序列)计算方式逐层、精确计算稀疏计算，事件驱动，时序性6量子位硬科技深度产业报告——类脑计算/神经形态计算N特点•大量手工标记的输入数据•静态数据处理•不具备可解释性•持续学习•动态数据处理•具备生物可解释性适用场景•语音识别•图像识别……•交互式机器人•各类对于低功耗和实时性有需求的AIoT场景•高速动态视觉场景……优势•可模拟复杂模型，完成大规模运算•准确率高•生物合理性强•能耗极低•具备自主学习能力•成本低不足•高能耗、高成本•训练效率低，数据依赖•仅适用单一场景•计算复杂度高•目前能够模拟的神经元数量有限，目前仅适用小规模计算场景技术生态技术生态概述练算法、仿真框架、数据集。SNN及其组织结构、神经突触特性来设计芯片。神经元模型络是类脑计算的核心，对其结构基础、功能优化等方面的探索，有助于科研人员更好地认识大脑、理解络模型最大的特点是：以具有精确放电时间和事件驱动特性的脉冲作为信息计算的载体。以下是在业内神经元模型原理定位/特点H-H(Hodgkin-Huxley)模型通过研究乌贼神经元细胞膜上的离子电流和电导，用等效电路模拟神经元的形成和膜电压的变化•目前最接近生物神经元的模型•模型复杂，难以在硬件上实现对网络的实时仿真•计算成本高昂LIF模型从生物电子学的角度对生物神经元进行模拟，使用电子转移模拟生物神经系统中的离子转移目前使用最广泛的神经元模型之一Izhikevich模型使用二阶微分方程描述细胞膜的动态特性，在受到刺激后，膜电位由静息电位转变到激发脉冲状态，通过分岔机制使神经元产生兴奋•目前最简单的模型，且兼具H-H模型的生物真实性与LIF模型的计算效率•能够仿真生物神经元最突出的20种脉冲发放模式SRM模型实质是对LIF模型的泛化，该模型也是根据神经元电压阈值来判断是否产生脉冲。不同的是LIF模型中的参数依赖于电压，SRM模型中的参数依赖于上一次输出脉冲的时间•包含对于不应期的模拟•更具通用性注：不应期是指在兴奋发生后的最初一段时间内，不论施加多强的刺激也不能使细胞再次兴奋。量子位硬科技深度产业报告——类脑计算/神经形态计算•训练算法，来完善人工智能算法。当前脉冲神经网络领域尚不存在公认的核心训练算法。在生物合理性及任务表现之间的权衡，以及采用不同的神现阶段瓶颈：脉冲神经网络所具有的离散脉冲发放机制所带来的的优势是低功耗和低延迟；然而正是由于离散的发其无法满足连续可微的条件，也因此使得传统的神经网络训练方法无法直接用到脉冲神经网络中。解决途径：2.基于传统的人工神经网络训练和转换的脉冲神经网络构建方法(间接学习)；是否使用标签信息，可将脉冲神经网络算法概括地划分为有监督学习和无监督学习，有监督学习又杂程度的技术能力，脉冲神经网络学习算法描述特征无监督STDP算法STDP学习规则根据神经元发放脉冲的先后顺序，调整神经元之间连接的强弱•通过局部调整规则学习，容易在神经形态芯片上进行分布式实现，并具备在线学习功能；•难以获得高性能网络，无法在大规模深度神经网络中使用基于ANN的间接有监督学习•将ANN中训练好的参数转化到相同结构的•为实现近无损的ANN-SNN转换，需要对原始ANN模型进行约束，例如对网络的不同层进行归一化•可扩展性强，容易将新出现的或大规模的ANN网络结构转换为相应的SNN版本；•间接训练算法的特征提取步骤在ANN中完成，很难提取输入信息在时间维度上的特征，不适用于时空数据的分类；•对ANN采取约束会造成SNN性能下降，而且转化SNN训练时需要长时间的步长模拟，效率远低于直接训练的方式直接有监督学习采用反向传播思想，将脉冲神经元的微分方程形式转化为便于计算机模拟的差分方程形式，使其变成可微的函数表达式；同时沿空间和时间维度扩展信息，应用梯度下降算法进行参数更新•可解决SNN的不可微性问题•仿真框架习训练的软件平台。SNNBindsNETSpyketorch可以支持大规模SNN的构建与训练。此外，部分公司和研究己的软件框架，如英特尔的Lava、时识科技的Sinabs。SNN至关重要。•数据集在类脑数据方面，如何构建具备稀疏事件特征、具备丰富的时间尺度/空间尺度特征的大规模多模态混合数据集十分8量子位硬科技深度产业报告——类脑计算/神经形态计算态图像数据集通过事件相机实拍生成，此类数据集主要由已被广泛研究的、用于传统非脉冲任务的数据集。件•类脑芯片元信息处理机制发展类脑芯片与计算平台，能够在硬件层面将类脑计算的优势充分释放，也是各国类脑研现大规模商业化。研发中，从功能上可以按照是否支持学习功能分为离线学习平台和在线学习平台；从电路设计上来源：脉冲神经网络研究进展综述，量子位智库整理SNN行仿真。因此，研究企业/机构名称硬件特点性能斯坦福大学grid•模拟电路主导•利用硅晶体管的亚阈值模拟电特性实时仿真神经元离子通道的动力学行为•采用事件驱动的异步数字电路进行信息传输•2009年：每块板有16颗Neurocore芯片，能够支持100万个神经元和60亿个突触联结,能耗仅5W；•2017年：开发新一代神经形态芯片BrainStorm，最终成果为嵌入式应用和集群服务器上的计算芯片,可以运行全脑模型9量子位硬科技深度产业报告——类脑计算/神经形态计算企业/机构名称硬件特点性能苏黎世大学亚阈值模拟+异步电路，实现复杂生物神经元、突触模型以及脉冲神经网络；采用异构路由拓扑，兼具树形拓扑的低延迟和网络拓扑的低带宽需求单板含9块芯片，单芯片含4个计算核，单核含256个神经元TrueNorth•数字电路主导•将存储单元作为突触，计算单元作为神经元，传输单元作为轴突搭建神经芯片的原型•借鉴神经元工作原理及其信息传递机制，实现了存储与计算的融合•单芯片含有4096个计算核，每个计算核包括256个神经元和6.4万个突触；•实验数据显示视觉识别准确率达到80%；一台笔记本完成相同任务速度比TruthNorth芯片慢100倍，但功耗是其1万倍清华大学Tianjic采用神经形态众核架构，计算核的轴突与胞体具有脉冲和非脉冲两种工作模式包含156个计算核，单核包含256个神经元浙江大学达尔文芯片类脑计算机(DarwinMouse)将792颗中国自主产权的达尔文2代类脑计算芯片集成在3台1.6米高的标准服务器机箱中，形成了一台机架式类脑计算机达尔文2采用55nmCMOS工艺，单芯片支持的神经元规模达15万个，单芯片由576个内核组成，每个内核支持256个神经元，神经突触超过1千万，通过系统级扩展，可构建千万级神经元类脑计算系统海德堡大学BrainScaleS•数模混合电路•采用超阈值模拟电特性进行神经元动力学仿真•在晶圆上集成超大规模突触，以降低通信代价，提高计算性能2016年完成了20块晶圆、400万神经元和10亿突触的神经形态计算系统，速度比生物系统快1万倍。英特尔LoihiLoihi2•数字电路•异步数字实现，具有层次化连接、树突计算、突触延迟、可编程可塑性规则等特性单个芯片包含128个计算核，单核包含最多1024个神经元曼彻斯特大学SpiNNaker•数字电路•支持多种神经元动力学模型•借鉴神经元放电模式，以较少的物理连接快速传递尖峰脉冲•模拟大脑中大量并行架构，同时把数十亿小量信息发送到成千上万不同的目的地2016年，这套系统有50万核，用ARM处理器搭建了一套系统，可以实时仿真4亿神经元和4000亿神经突触的神经网络新型存储器件传统器件的问题：基于硅基材料的类脑芯片相较于传统的AI加速器芯片在功耗上有了很大提升，但其效能依然远不电信号撤去后依然存在(非易失性)。物理机制可以模仿神经元生物突触和神经元的神经动力学特性，因此基于忆阻阵列的神经形态计算极量子位硬科技深度产业报告——类脑计算/神经形态计算忆阻器单、集成密度高，理论上一个忆阻器就可以实现一个神经突触的功能，可极大的提升突触密度，是从其可以仿真神经突触之间的突触强度，可一定程度简化神经元网络设计，但在算法层面上要研M。研究进展(部分展示)•国内类脑计算清华大学研究团队认为将这两类模型融首篇论文讲述的是异构融合架构的类脑芯片设计(天机芯)，如何在架构层面支持ANN和SNN的融合；类脑编译软件系统架构，提出了类脑计算完备性；通讯发表的类脑算法文章，首次融合了全局学习和本地学习的融合算法，为类脑融合算法模型新型忆阻器阻器(TPT-RAM)，该器件独特的扩散-非易失双模态工作特性模拟人脑中突触发育的过程，并在训练中演示神经网手写数字图像识别准确率提高到99%。术卓越创新中心，由神经科学研究所、自动化研究所等机构共建，深入融，从基础的神经形态器件到类脑智能的各个层次展开工作，从最底层的神经形态器件平台，到器件构造的类脑处理器，到在类脑处理器的基础上构建类脑计算系统，以及在计算机上开展类脑智能来源：北京市科委专项规划图，量子位智库整理量子位硬科技深度产业报告——类脑计算/神经形态计算•国外人类大脑皮层构建电子系统，这个电子系统无论从神经元、神经突触，还是在规模、密度上都要与人究，但不适合做最终的落地平台。德国海德堡大学BrainScales得到了欧洲HBP(人类大脑计划)的支持。这套系统计划将在2022年实现由5000个oikiSpringshiKapohoBay的Loihi芯片，支持各种实时边缘工科研环境对比•欧洲瑞士苏黎世联邦理工学院和苏黎世大学在1995年联合成立的神经信息研究所(INI)，覆盖了从动物行为学，脑解算法，再到类脑芯片设计，以及应用侧无人机、机器人等的研究，具备从基础科学到应用科•美国者主要研究方向为感知学习、推理、集成理论、计算和实验研究的方法，致力于研究感知、理解、思维、感受、决策的脑神经信息处•中国相比于欧美国家在交叉学科上成熟、完整的科研体系，我国的类脑研究发展时间较晚(2014年左右)，但随着中心等一批科研院所的成立，基基于啮齿动物(大鼠、蝙蝠)和昆虫(蜜蜂)的大脑以及海马和内嗅皮层(昆虫的导航复合体)形成神经元架构；帮助研究人员理解、术成熟，如受嗅觉启发的可以部署在小型自主家用如何使用受生物启发的局部学技术难点•神经科学与人工智能的融合有待进一步突破实现上，分析师基于四个主要技术难点进行解释，并结合学术界(日内瓦大学)的发展给出了四类技类脑研发的基础。当前遇到的问题是网络的拓扑结构、大小和确切性差异很大，尚不清楚网络应该的大脑运作机制模型。望形成一个基于类脑技术的完整解决方1)基于对人类和动物伸手及抓握的理解，机器人可以在2)支持机器人在复杂的室内和室外环境中灵活移动，在D手势和注视的计算过程模拟，在类脑器件、芯片和体系结构方面仍面临重要挑战。新型纳米器件尚存在工艺稳定数以百亿的神经元协同工作，而现有类脑芯片硬件资源有限，难以实现大规模神经元互连集成新型体系结构和计算方式，仍需探索。元和突触网络，允许通过基于预测模型的强相结合的自主学习，由片上的神经元网统形成自己的行为，并能够根据行为做出1)由于算法在神经形态的计算机网络结构中实现，顺序编程的思想不适用，需要以一种新的范式进行计算；2)架构(硬件)的选择会影响在每个实例上运行的算法范围。计算，机器就越灵活且可编程；模拟和物理信息越多，架构所固定的算法就越多。神经形态计算同工作，以及人机交互中的计算，包括大规模仿真。传统计储和处理“老式”数据；计算将分布在超边缘(智能设备)、边缘(个人台式机)和云(服务器)之间，通过超高速和高性能的离员能够在模拟器和标准硬件平台的使用1)可拉伸、智能、大型电子皮肤；2)低功耗和低延迟的3D视觉、运动检测器；3)通过增强智能信号处理，有效提取任务相关信息没有公认的通用标准来衡量该领域或单个设备的试对于类脑的有序发展十分重要。讲，实时性和低功耗是重要的判断因素；同时，能够避免与深度学习算法产生竞争。此外，类脑计的数据中心。加速商业化进程，对于语音•目前观测大脑的手段单一测与调控技术观测信息局部、对脑功能认知缺乏、脑调控与观测无法同步等问技术，仍面临重要挑战。量子位硬科技深度产业报告——类脑计算/神经形态计算价值篇从产业落地的角度讲，模仿人脑的价值在于解决目前人工智能在信息处理和计算模式上遇到的困境，为实现通用人，在这个层面，更多是以计算机科学为主导，着眼于应用侧的实际需求，给到市场一个完整可以使现有终端设备更加智能。从科研价值看，类脑计算技术最终是服务于人类健康，其深层的价值是推进脑科学，特别是脑疾病的研究和成果落值因其直接作用于产品且服务对象为终端用户，分析师将其归纳为直接价值。科研价值的直接体间接价值。的自主智能体，即拥有自主学习自主进化、意识等高层次智能。当前类脑智能处于运算智能和值。运算智运算智能，智能软件的使用占据其大部分计算资源，其中涉及大量图像处理、文本处理、音频处理等。多的处理能力要高于手机目前所具备的。因此，手机在信息处理中需要通过调用数据中心的处理能力处理能力容易受到网络连接状态的限制响应速度取决于服务器的速度云端处理涉及隐私安全问题AI杂外，由于电池的限制，嵌入式设备所能提供的额外处理能力也有限。而类脑应用场景：•低功耗实时定位与地图构建(SLAM)，赋能AR/VR设备；快速变化的动态检测，突出监控场景中目标区域的变化，进一步减少分析所需的数据量，从而保证物联网设备低维(一维)信息处理：直接在端侧接入传感器做信息处理，具有实时性和低功耗的特征。、脑电和肌电检测，智慧楼宇中的玻璃破碎检测感知感知智能量子位硬科技深度产业报告——类脑计算/神经形态计算事件驱动视觉传感(Eventbasedvision)神经拟态视觉传感器(也称事件驱动视觉传感器)，通过模拟人眼视网膜和大脑工作原理，重新设计像素，使其仅：，在某些场景中会因动态画面捕捉不到位而产生问题。驶的目标物检测中，传统相机在较远的距离下，可能将等红绿灯的行人判断为静止物，进而影传统视觉传感器在实验室和室外光照强烈两种环境下，算法的表现差异非常大，在室外多变的环境中，算法的相比之下，神经拟态视觉传感器优势：摒弃静态画面重复处理中不包含静态背景中的任何信息。由于仅传输像素点的亮度变化不需要提升算法表现力视觉传感器具有高动态范围和场景的对数采样特性，使其计算决策不受外界环境的影响。同样是自的视觉传感器的感知方式，不论在强光还是弱光环境中都不会发生变化，因此在高动态范围细微动作捕捉捕捉到细微的动作变化。此，间上连续的，以像素为单位的数据流，根据场景的变换相应生成和输出。事件相机仅记录动。•成本低多个物体的识别、分类、跟踪以及光流相关的任务，都可以通过类脑处理器来实现，但后者的功耗会比传统的处理器降低几百甚至上千倍(毫瓦级功耗)，且成本也可以控制在几美元以内。典型场景：居和公共场合非接触显示器的交互如自主打轮系统或者自主避障系统相关的高速识别平台上的部件实时识别；安全监测等分时候依靠两只眼睛感知，感知维度和感知源是有限的。相比之下，触觉没有特定的器官专门量子位硬科技深度产业报告——类脑计算/神经形态计算因此，触觉涉及多维(接触觉、压觉、滑觉、温湿觉、力矩觉等)和多模块的协同感知，通常要考量7-10个物理变具备的类似功能。听觉的集中式传感，触觉的分布式传感需要多模块组合的拼接式皮肤传感器，不同模块的芯片SNN合处理分布式触觉网络的SNN觉传感器走向产业化的关，信息传导的过程为：接受到信号，首先通知大脑做计算，再进行决策控制；触觉感知有一部在传感器前端通过神经元完成。端决策能力。典型应用：机器人灵巧手代表公司：他山科技自适应机器人研发。分析师认为，未来类脑公司更有可能作为OEM机器人、服务机器人、特种机器人等各类智能机器人领域困境研究，经常会使用动物进行实体实验，单纯通过医学途径去了解大脑中的神经元、神经脉冲等功能结需要平衡动物保护与动物实验之间的关系；技术层面上，由于动物个体的差异性等因素，存在实验成现脑计算芯片构建的类脑服务器以及类脑计算集群，未来有望模拟十亿、百亿甚至千亿级神经元规模的生物的大规模脑仿真，能够大幅降低脑科学领域实验成本，提升大规模生物脑仿真的速度，同时其可应用领域：脑机接口，脑疾病病理探究，药物测试量子位硬科技深度产业报告——类脑计算/神经形态计算产业篇现类脑相关公司的核心是找到可落地的技术，而可落地技术的首要目标是解决应用场景中所面临品性能且研发成本可控的优势点。需要是脑科学研究中已经明确的发现，且经过实验验证；其次利用这项技术需要在工业界证明究空间非常大，涉及神经科学、计算机科学、医学等一系列交叉学科融合；主要通过与政府行业现状整体来看，做类脑计算(处理器)的公司要多于类脑感知(传感器)的公司，国内专注类脑研究的公司和创新转年实现量产出货。海外的类脑探索阶段。产品包含硬件和配套软件工具。Brainchip出类脑的商业价值在二级市场上受到争议，当下最迫切的是在市场中证明自身Brainchip利，外界对于公司的担忧主要在于产品是否能够据外媒报道，Brainchip一直难以有可观的营业收入(Brainchip去年营收仅160万美元)，这可能与Brainchip的Brainchip去年研发费用为910万美元(较前一年上涨43%)，占公司市值的1.2%；2021财年公司亏损2100万美元。脑计算芯片Loihi2，以及与之配套的Lava于商业化，更多是面向研究机构建立开放平台。例如，英特尔与高校合作，以类脑研究人员为主要目标群体建立生态，提供硬件和软件框架(有资料显示硬件和软件均免费)，旨在将研究人员纳入到生态分布与布局的应用领域。新型忆阻器研发 进行技术融合)传新型忆阻器研发 进行技术融合)传统芯片制造商IPIP商业化商业化伙伴间相互合作研究机构研究机构类类脑感知公司大型半导体公司创业公司大型半导体公司类类脑计算公司创业公司创业公司智能安防康无人机汽车电子智能安防康无人机汽车电子智能家居/家智能家居/家电量子位硬科技深度产业报告——类脑计算/神经形态计算玩家分析公司成立时间融资轮次核心技术/研发优势产品/服务应用场景合作方灵汐科技8采用存算一体、众核并行的架构，支持深度学习神经网络、脉冲神经网络和大规模脑仿真领启KA200(类脑芯片处理器)：众核并行、存算一体HM100(类脑计算模组)：一款基于KA200开发的高度集成化模组，适用于嵌入式系统和边缘系统HP300(类脑计算加速卡)：为云端/边缘端的推理提供算力支撑，搭载3颗类脑芯片领启KA200类脑计算服务器(SL800)LynOS：自主研发的端云一体类脑软件开发平台，包括软件工具链、驱动、SDK、集群支持软件、debug工具箱等脑仿真和脑科学；信息处理；深度学习网络处理新氦类脑科技、东方中科、鹏城实验室......时识科技7PreB感算一体，采用处理器内核，集成33万脉冲神经元，神经元集成度提升30-40倍，支持复杂深度脉冲神经网络，系统感算功耗低于“感算一体”动态视觉智能SoCSpeck：基于异步逻辑范式的大规模脉冲卷积神经网络 (sCNN)芯片架构DYNAP：动态视觉专用处理器XYLO：基于脉冲神经网络、超低功耗(~0.1mW)、always-on低维度信号专用AI处理器物联网设备、边缘计算设备、生理信号监测、智能玩具、智能家具设备、智能驾舱、自动驾驶、工业设备异常检测、机器人、无人机、可穿戴设备、智能安防、SLAM……Prophesee、索尼、宝马、能斯达电子、鸿雁、中电海康……他山科技7e分布式类脑触感芯片架构；分区分级的脉冲神经网络算法架构分布式类触感芯片：基于SNN的数模混合AI触感芯片以及产业化应用解决方案智能座舱、自动驾家电；机器人电子皮肤奔驰、宝马、方太、特斯联、好孩子……芯盟科技8A轮HITOC技术：混合键合集成电路制造工艺超高性能异构类脑AI芯片类人感知与决策应用场景爱普科技优智创芯1天使+非完美信息环境下的普适性场景提取算法；基于因果关系的脉冲神经网络“结构生长算非完美信息决策的强化学习算法框架思辨1号通用类脑推理芯片：8核“友替”处理器+AI加速+CLAS因果学习算法，功耗不高于2瓦，同时可计算100万个神经元“硅脑”全自主无人系统平台：内嵌自主研发的CLAS因果学习算法系统和类脑芯片，利用小样本识别算法、全自主实时路径规划算法和全自主决策算法，实现环境感知、环境认知、类脑决策等功能，目前推出全自主无人飞行类脑计算盒子K50/K51汽车电子；工业控制；无人驾驶、无人机、机器人；流马锐驰、鲲鹏智汇中科类脑7小样本学习、电力3D场景仿真、基于学习的分割算法等类脑智能嗅觉传感器：由基于MEMS技术的8种微型传感器组合而成类脑视频分析主机：集成电力场景的类脑识别算法，提供AI分析服务变电/输电运维/量子位硬科技深度产业报告——类脑计算/神经形态计算公司成立时间融资轮次核心技术/研发优势产品/服务应用场景合作方新氦类脑智能7A轮脉冲神经网络算法研发非冯诺依曼芯片架构及IP脉冲神经网络芯片架构及IP技术转化服务：前沿IP库资源、产业链资源AIoT壁仞科技、默沙东灵译脑科9/拥有原创性的脑科学基础理论、大脑破译技术及研究平台与实验基地类脑芯片系统：打造从类视网膜到类脑芯片的类脑软硬件融合系统大脑破译技术：深入研究大脑神经网络与脉冲编码机理，为类脑认知与意识提供统一的理论框架自动驾驶/深思创芯7A轮稀疏量化共享技术：利用参数的稀疏性进行量化和共享处理DeepBrainSS3301：神经形态芯片NeuroidXSS3201：异构神经形态芯片NeuroidXSS3101：多核神经形态芯片，仿照人脑神经系统的功能与拓扑设计NeuroidXSS3100：单核神经形态芯片，仿照人脑神经元设计的功能设计多模态感知与信息处理；构建类脑计算系统；人脑研究/深聪智能8A轮开发了专门为语音功能定制的智能语音AI芯片第三代芯片将是1bit类脑芯片、存算一体化智能家居智能办公智能车载美的公司成立时间融资技术特点产品/服务应用场景合作Innatera8种子轮神经形态模式识别：专有数模混合架构处理器：大规模并行的神经突触阵列、脉冲编码和解码器语音识别生命体征监测消费/物联网/Brainchip4澳股上市分布式计算：每个NPU都有专用计算和内存，减少数据移动基于事件处理：NPU基于事件驱动基于事件的通信：通过mesh网络发送事件，无需CPU介入基于事件的学习：片上学习算法Akida(神经拟态处理器)：具有同时处理多传感器模式、片上一次性学习、基于事件的学习、云独立等功能MetaTF：用于神经网络的创建、训练和测试，支持在Brainchip的Akida上开发边缘AI系统智能汽车智能家居工业物联网Impluse、Prophesee、奔驰....../上市公司•支持横向扩展和纵向扩展•端到端立体视觉系统，使用脉神经冲网络计算……TrueNorth：采用三星28nm技术，芯片具有100万个神经元和2.56亿个突触手势识别；情绪识别；流；图像分类和目标跟踪；实时时空感觉信息处理……美国陆军研究实验室、美国空军研究实验室、劳伦斯利弗莫尔国家实验室、三星量子位硬科技深度产业报告——类脑计算/神经形态计算公司成立时间融资技术特点产品/服务应用场景合作英特尔/上市公司•可编程性•可通过深度学习进行训练的新型神经网络•与现实世界的机器人系统、传统处理器和新型传感器无缝集成……Loihi2(第二代神经形态研究芯片)：架构能够支持新类别的神经启发算法和应用程序，同时提供高达10倍的处理速度，高达15倍的资源密度Lava软件框架：满足了神经拟态研究社区对通用软件框架的需求。Lava能够在跨越传统和神经拟态处理器的异构架构上无缝运行机械臂神经形态皮肤嗅觉感知系统首批企业成员：埃森哲、空客、通用电气、日立2020年新加入：联想、罗技、奔驰、Prophesee......Labs6高精度(16位浮点)处理以提供高质量内容；动态数据流以利用数据的稀疏性；神经形态设计思路以提高效率；存内计算以降低功耗和延迟NeuronFlow：稀疏处理；高精度数据流架构，可实现高效的细颗粒度并行计算GrAIVIP：一种SOC，集成了神经元引擎GrAICoreGraiFlowSDK：兼容常用的ML框架、TensorFlow和PyTorch，以实现自定义模型；同时提供预训练模型的数据库工业机器人无人机/PROPHESEE4C轮基于事件的动态视觉信息采集METAVISION视觉传感器：第四代动态视觉传感器由Prophesee与索尼合作开发，结合索尼的CMOS图像传感器技术与Prophesee独特的基于事件Metavision传感技术METAVISION智能套件：包含95种算法、67个代码示例和11个即用型应用程序；开源软件充分挖掘硬件潜力，体现性能优势移动终端AR/VR设备机器人无人机智能座舱智能驾驶智能家居工业物联网Intel、时识Brainchip、iCatch……GeneralVision/是一种认知记忆架构，可对输入模式做出反应，并且具备仿脑特性NM500神经形态芯片：每个神经元都与逻辑硬件连接以实现应用程序NeuroPi：用于评估NM500上的应用程序NepesEdge：基于RaspberryPi的人工智能开发平台，可以在不需要网络环境的设备上进行实时训练和推断工厂监控物体识别缺陷检测PiscesFishMachineryAspinity5A轮对AnalogML进行编程：允许工程师在analogML内核上构建、编译和加载特定于应用程序的模拟机器学习模型。RAMP：全球首个可编程模拟神经形态处理器AML100：完全在模拟域内运行的微型机器学习(ML)解决方案AML评估套件端到端硬件/软件套件，用于评估AML100的功率和检测精度声学事件检测套件(EVK1)：适用于电池供电的智能家居设备语音检测声学事件检测震动监测意法半导体、英飞凌量子位硬科技深度产业报告——类脑计算/神经形态计算公司成立时间融资技术特点产品应用场景合作AppliedBrainResearch4股权融资Nengo：神经形态编译器，用于构建和模拟用于人工智能、机器人和神经科学用途的大规模神经模型LegendreMemoryUnit(LMU)：专有循环神经网络架构，可实现对时变信号更低功耗和更准确的处理边缘时间序列处理器(TSP)：在边缘侧处理时间序列数据NengoEdge：使用Legendre内存单元，提供可证明的时间序列数据。此外，NengoEdge使用一种称为硬件感知训练的技术来微调模型以适应不同的边缘硬件平台语音识别、自然语言理解；异常检测；模式识别；机器磨损检测英特尔、NBEL应用趋势的分析，我们认为类脑解决方案首先从低维度信息处理和高速视觉处理开始，主要面向端侧可穿戴驶。自主学习等)和类脑产业的成熟，在更长的维度上，类脑的应用场景将覆盖数据中心以及自主机器人。此外，类脑芯片由于其低功耗的特征，非常适合人体植入(可植入式疾病治疗)、脑机接口等应脑机接口脑机接口玩家分类架的开发上。根据我们的调研，同时具备神经形的“脑计划”项目HBP开发人员。量子位硬科技深度产业报告——类脑计算/神经形态计算体公司INRC衡量头部创业公司费下载，以此来吸引细分领域的开发者和研究人员。当用户习惯和用户基数培养起后，便能以此玩家特征示，类脑智能目前正处在从运算智能到感知智能的阶段。反应在市场上的表现为，类脑领域的创业公关的落地产品，如动态视觉传感器和触觉传感器。在处理器方面，创业公司多数选择做基于动整体来看，神经形态视觉传感器(基于事件驱动的视觉传感器)和神经形态处理器可以很好地形成互补。因此，这Prophesee专门为大多数基于事件的国内外对比，类脑智能公司主要分布在北美、欧洲及中国三大地区。其中，欧洲和美国的类脑玩家有两类，一类是以大型公司或政府大型项目主导的类脑硬件设备提供商(包含了配套软件)，以研究和建立生态为首要目的；另018年，在成立年限上属于创业公脑公司则与国外的类脑创业公司在技潜在商业化路径上正在尝试或未来打算商业化的产品和解决方案，总结出两种商业化方向：基于事件驱动特性的产品(传感类)量子位硬科技深度产业报告——类脑计算/神经形态计算产品最有可能率先实现商业化落地。AI度。•挑战•如何解决件的适配度。其他技术进行融合，应用需求的定制硬短期内做出成熟硬件的难度非常大，因此有公司选择与面向同类市场的传统大型企业合作开发Prophesee，既保证了产品的可靠性，又能够与业内大规模并行计算硬件平台(计算类)•目标电子器件模仿单个神经元的功能，将数量巨大的电子“神经元”以类脑的方式形成大规模并行处理•挑战及电路层面的重新设计，以及新型器件的研发。电路设计中，需要实现存算一体架构设计；器件层面，更优的选择是忆阻器(因其更符合生物特性)，而忆阻器目前尚未达到商用标准，仍处在攻克技术难题的阶•如何解决上，目前全世界都在试图对大脑运作机理做深入还原。在脑科学的基础研究中，主要由各国政府BrainScales验室中，并以此建立起类脑的研究生态，鼓励学者和研究机构基于两大硬件平台以目前大型半导体厂商都有所布局，如台积电、三星。初创企业中，国内外也都有实现量产的公司。基东芝、富士通、夏普，三星、SK海力士，德州仪器(TI)、华邦电子等。国内忆阻器的探索目前主要集中于理论层商业化阻碍•对于创业公司客户替换成本高量子位硬科技深度产业报告——类脑计算/神经形态计算围绕产品建立庞大生态的过程，努力将需求方都汇聚到自身生态中，在生态内进行产品的不断迭代。对于芯片领域的客户，一旦对某个生态形成依赖，其他厂家想要做替代的成本/难度将会非常高(仅从技术和市场角度出发)。类脑在产品化过程中，由于其底层逻辑(高度仿脑)与现有计算机的逻辑存在根本差异，导致其融类脑的商业化依靠多领域的创新讲，类脑的价值能够充分发挥，建立在多项基础科学的突破和交叉融合之上，如新型器件需要的资源和资金进行多领域的交叉融合。对于大型半导体公司与主营业务冲突(部分)CPU能的角度看，一定程度与其现有核心业务之间存在竞争关技术的战略上，往往会采用提前布局研发，但不急于商业转化，等到前沿技术在市场上得到充研发支持来源不同来自政府资金，而不是靠商业化盈利。在这种情况下其研发资金有充足保障，在投资方撤资行业关键驱动因素生态建设限，这也是限制类脑智能规模化发之，算法的有效性也需要在