中国全球首款忆阻器神经动力学芯片:把神经形态计算从「论文」推进到「毫秒级工程现实」

事件

2026 年 7 月 3 日,《科学》(Science) 期刊发表了北京大学集成电路学院杨玉超教授团队,联合中国科学院上海微系统与信息技术研究所宋志棠研究员团队的研究成果——全球首款基于可控存内计算的忆阻器神经动力学芯片,首次把神经动力学系统的单步运算时延压缩到 2.12 毫秒。

关键数据:

工艺:40 纳米 CMOS
运行频率:50 MHz
单步积分流水:9 级
总面积:存内计算阵列 + 步长漂移阵列 = 0.28 平方毫米(比一颗芝麻粒还小)
外围电路:编程脉冲生成电路、模数转换器等
单步运算时延:2.12 毫秒(首次实现神经动力学硬件系统毫秒级实时计算)
加速比:在脑皮层重建、三维流形网格生成等任务上,较当前先进 GPU 提速 50-478 倍

应用方向:实时大脑皮层表面重建、三维流形网格生成、神经动力学模拟。

深度剖析

这件事的真正意义,不是「中国又发了一颗芯片」,而是它把 「神经形态计算」从论文/演示阶段 ,推进到了「工程意义上的实时可用」。

神经动力学的核心痛点:半个世纪的「实时计算瓶颈」

神经动力学(Neural Dynamics)是模拟大脑神经元电活动、生物神经网络动力学的计算方法。它是神经科学、脑机接口、AI 基础研究的核心工具——但长期以来被一个根本性问题卡住:模拟「一个神经元一毫秒的活动」,在传统 GPU 上需要几秒钟到几分钟。

这意味着:

脑科学研究只能模拟「小尺度、短时间」
实时脑机接口(BMI)做不到「实时」
类脑 AI 算法无法在「脑的真实时间尺度」上训练/推理

这就是「制约神经动力学长达半个世纪的实时计算瓶颈」的真正含义——不是「跑不动」,而是「跑得不够快」。

忆阻器 + 存内计算 = 范式转变

传统 GPU 是「冯·诺依曼架构」:存储单元和计算单元分离,数据需要在两者之间反复搬运。神经动力学模拟的特征是「数据密集、计算规则简单、迭代频繁」——这种 workload 在冯·诺依曼架构上天然吃亏(所谓的「memory wall」)。

忆阻器(Memristor)是「电阻随通过电流历史变化」的器件,可以在「存储数据的同时完成计算」(存内计算,Compute-in-Memory)。神经动力学的核心数学运算(微分方程组的迭代),天然适合在忆阻器阵列上直接做。

这次突破的关键技术组合:

1. 可控存内计算架构:不是简单地把忆阻器堆起来,而是「可编程控制计算过程的精度」——传统忆阻器器件差异性大,精度不可控,这次做到了 2. 相变型忆阻器(PCM):利用相变材料在不同晶态间的电阻差异存算 3. 9 级流水 + 50 MHz 时钟:硬件工程优化,让单步积分时延稳定在 2.12 毫秒 4. 脑皮层重建任务实测加速 50-478 倍:不是 benchmark 跑分,是真实科研任务的实测

2.12 毫秒的意义:突破「神经动力学实时计算」分水岭

「毫秒级」对神经动力学意味着什么?

大脑神经元的「动作电位」(神经元放电)持续约 1-2 毫秒
大脑皮层的「突触可塑性窗口」约 10-100 毫秒
视觉皮层的「反馈回路」约 50-100 毫秒

传统 GPU 跑神经动力学是「慢放」,2.12 毫秒单步时延意味着 第一次可以「实时」观察神经动力学的演化。

这相当于:

神经科学研究:从「离线模拟」升级到「在线实时」
脑机接口:从「信号延迟不可避免」到「闭环实时控制」
类脑 AI 算法:从「仿真环境训练」到「真实神经动力学时间尺度训练」

对 AI 行业的间接意义

虽然这不是「AI 加速芯片」(不能直接跑 GPT),但它代表了 「专用芯片 + 存内计算 + 非冯·诺依曼架构」 这条技术路线的工程成熟度。

同期几个事件一起看:

06-30 美团 LongCat-2.0 在 5 万卡国产集群训出 1.6T MoE:AI 模型训练的国产化
07-04 中国忆阻器神经动力学芯片:AI 硬件的非冯·诺依曼路线突破
06-25 DeepSeek DSpark V4 加速 60-85%(06-28 报道):AI 推理的开源优化
06-26 美团 LongCat Owl Alpha 全 ASIC 训练(06-30 报道):AI 模型的国产硬件原生训练

中国 AI 行业的「硬件底座」正在多线并进——不是单点突破,而是「通用 GPU + 国产 NPU + 忆阻器神经形态 + 推理引擎优化」的组合拳。

值得关注的原因

「神经形态计算」从「学术热点」变成「工程现实」的关键节点。过去 20 年这个领域论文无数,但真正的「实时可用硬件」是第一次。这会改变神经科学、脑机接口、类脑 AI 的研究范式
「存内计算」路线的工程化胜利。这条路线被反复预言多年,实际工程突破很少。这次中国团队的 40nm 工艺 + 0.28 mm² + 2.12ms 数据,是「存内计算可以量产」的强证据
「中国 AI 行业硬件底座」的多线突破:LongCat-2.0(国产 GPU 集群)+ 忆阻器芯片(国产非冯·诺依曼架构)= 中国 AI 在「硬件不被卡脖子」这件事上,不是单点,而是「通用 + 专用」两条腿走路
「科学 × 工程」的中国学术范式:北大 + 中科院上海微系统所的联合,8 个月从论文构思到工程验证(假设 2025 年底开始),最终发在《科学》——这是「论文 + 工程实现 + 工艺验证」一体化的学术节奏,在国际同类研究中少见

风险与待观察

2.12 毫秒单步时延 ≠ 整个任务实时。复杂神经动力学任务需要数十万到数百万次迭代,总时延仍是秒级到分钟级,「完整任务实时」还需要后续工作
50-478 倍加速比的任务范围有限。报告里主要验证了脑皮层重建等任务,对其他类型的神经动力学任务(比如大规模神经网络模拟)是否同样有加速,需要更多测试
忆阻器器件的「器件差异性」是行业公认难题。报告中说是「可控」,但「可控」到什么精度、长期稳定性如何,还需要工程化阶段验证
「科学」发表的工程实现 ≠ 量产。从实验室到量产芯片,还有 2-3 年的工艺磨合、良率提升、成本优化。这次突破是「可行性验证」,不是「商业化」

总结

中国首款忆阻器神经动力学芯片,最大的价值不在「AI 加速」,而在「神经形态计算从论文到工程的范式转变」。

2.12 毫秒单步时延,听起来是个小数字。但对神经科学、脑机接口、类脑 AI 领域来说,这是半个世纪以来的「实时计算瓶颈」第一次被真正突破。

对 AI 行业的启示:「硬件底座」是多条技术路线的并行赛跑。不是「GPU vs NPU」二选一,而是「GPU + NPU + 忆阻器 + 推理引擎」的组合最优。中国 AI 行业在这件事上的「多线并进」,可能是未来 5 年全球 AI 硬件格局变化的最大变量。

2.12 毫秒是开始,不是终点。但这个开始,值得记录。

---

来源:

https://www.ithome.com/0/972/526.htm
https://aihot.virxact.com/items/cmr5wizx2067eslc7xynzcf9y