- 这是什么:像"这车百公里只烧 2 升油"——是真的,但前提是空车、平路、匀速 60 码;你一满载、一爬坡、一踩到底,省油就一节节掉光,三条全占就完全不省。哪里不像:车的省油条件你凭直觉就懂,芯片的省电条件写在厂商脚注里,而且常被引用的人删掉。
- 与我何干:省钱。按"省 100 倍"做的预算,会因为你任务是密集的、要精确的、或者输入根本不是事件流而全部落空;先把三个条件套一遍,能避免一次按错误成本模型做的采购或立项。
- 我该怎么办:拉出系统最近一个月的全部调用日志(API 或工具调用都可),给每次调用打三个标签:这个任务稀疏吗?输入是事件吗?结果能容忍 80 分吗?统计"三条全中"与"一条不中"的占比,画成饼图并写一句结论。两小时完成。
- 机制:能效是三个乘数的积——稀疏(计算量随活动量走,不随模型规模走)、事件驱动(没有数据就不搬运,砍掉冯·诺依曼架构最大的隐性成本)、容忍近似(省掉维持高精度的冗余计算)。乘法关系意味着任一乘数归零,整体乘积就塌到接近 1;GPU/NPU 的优势恰恰来自把这三个乘数反向压满:持续满载、密集喂数、高精度。
- 边界数:10×-1000× 效率提升仅在"活动稀疏 + 事件驱动输入 + 容忍近似计算"三条件同时成立时出现 [二手];Akida 典型 30mW、Loihi 2 芯片级 <1W、Speck 空闲 <1mW、TrueNorth 70mW [二手];三条件各打九折时总效率剩余约七成 [推算]。
- 反例:①任务是密集静态的(批量图片分类);②任务对精度敏感(金融计算、医疗诊断读数);③输入是帧而非事件,还要先付一层"帧转事件"的转换成本;④部署量太小,能效收益覆盖不了开发与采购成本;⑤若剪枝 + 量化 + 专用 NPU 让通用硬件的稀疏推理达到同等能效,差异化收缩到"事件输入"一项。
- 可复现:固定一个任务,构造四种输入条件(稀疏 / 密集 × 事件 / 帧),在同一硬件上测每焦耳完成的推理次数,观察优势是否随条件缺失单调衰减(详见正文"反例与证伪条件")。
「神经形态比 GPU 省 100 倍」这句话是真的——但只在三个条件同时成立时;缺任何一个,优势就一节一节地缩水,三个都缺,优势归零。
「100×」「1000×」这类数字在技术讨论里最好用:简单、有力、便于引用。冷静的附注——「只在特定条件下」——不够提气,所以很少被一并转述。
结果是一个系统性偏差:神经形态的能效数字在转述中「裸奔」,条件被剥掉。善伦作为一人公司创始人,最经不起的就是被剥掉条件的数字误导——一人公司没有试错预算。本篇的职责就是把条件一件件穿回去。
能效 = 每焦耳能量完成的有效计算。神经形态的节能不是单一魔法,而是三个乘数的积:
乘数一,稀疏。多数神经元多数时间空闲——计算量随活动量走,而不是随模型规模走。
乘数二,事件驱动。数据以变化而非密集帧到达——没有数据就不搬运,冯·诺依曼架构最大的隐性成本(搬数据)被直接砍掉。
乘数三,容忍近似。应用场景对精度不敏感——省掉维持高精度的冗余计算。
三个乘数是乘法关系。假设三个条件各自打九折兑现,总效率还剩七成以上;但只要有一个条件完全缺失(比如任务是密集静态的),整个乘积就塌到接近 1——省了个寂寞。GPU/NPU 在密集负载上的优势恰恰来自它们把这三个乘数全部反向压满:持续满载、密集喂数、高精度计算——芯片生来就是干这个的。
第一性原理的结论:不存在「某种芯片天然省 100 倍」,只有「某种任务结构在某种芯片上省 100 倍」。把能效当芯片属性是错的,把能效当任务与芯片的匹配属性才是对的。
事实包(2026-10 交叉验证)给出的关键事实:
10×-1000× 的效率提升只在三条件同时成立时出现:活动稀疏、事件驱动输入、容忍近似计算。
三个条件各自的物理含义:活动稀疏——静态场景下没有计算;事件驱动输入——DVS 只传变化、音频 onset 即事件;容忍近似——安防「有人闯入」的检测不需要 ImageNet 级精度,阈值触发即可。
三个不成立的现场:
大批量密集 CNN 推理仍是 GPU/NPU 更优。翻译:批处理一大,GPU 的并行性红利启动,神经形态的稀疏优势被稀释。
LLM 推理(内存密集)不适合。这是最值得展开的一条。LLM 推理的瓶颈是内存带宽——每生成一个 token,都要把全部权重从内存搬进计算单元,搬的是密集数据流。神经形态的省能逻辑(稀疏+事件+存内计算)在「权重必须全量流式通过计算单元」的场景里施展不开。所以「类脑计算拯救大模型能效」在可预见的技术路线里不成立——它们服务的是两个不同的计算区间。
佐证数据(全部来自事实包):BrainChip Akida 典型功耗 30mW;Intel Loihi 2 芯片级 <1W;SynSense Speck 空闲 <1mW;IBM TrueNorth 70mW。这些数字与 GPU 数据中心之间的差距不是「优化」,是「数量级」——但再次强调,差距的兑现以三条件为前提。
本篇自身就是证伪篇,逐条列:
第一,若你的任务是密集静态的(如批量图片分类),选神经形态是自找苦吃——事实包原话级警告。
第二,若任务对精度敏感(金融计算、医疗诊断读数),容差条件破裂,乘法塌方。
第三,若输入是帧不是事件(传统摄像头直出),事件驱动条件不成立,还要先建一层「帧转事件」的中间件,先付一笔转换税。
第四,若你的部署量很小(模型一天推理几十次),芯片厂商标称的能效优势覆盖不了自己的开发与采购成本——能效是规模游戏,一人公司要么找到自己真正的稀疏常开场景,要么老实承认没有。
第五(动态证伪):如果稀疏化推理在 GPU/NPU 上成熟到同等能效(剪枝+量化+专用 NPU 的路线一直在走),神经形态的差异化将收缩到「事件输入」这一项——跟踪通用硬件的稀疏化进展,就是在跟踪本篇的保质期。
- 正明 AI 系统:善伦的「能效」就是单位人民币的 API 产出。三条件方法论可以直接给善伦的系统做审计:当前 agent 的任务里,哪些是「稀疏」的(真正常开低频)、哪些输入是「事件」的(只报变化)、哪些交付是「可容忍近似」的(80 分就够)?三条全占的模块,就该用最省的配置跑;一条不占的,就该用最猛的一把过然后关火。
- 跨境电商:库存同步、价格监控不必全量实时——只同步变化(事件驱动);报表精度到「能决策」即可(容忍近似);大部分 SKU 大部分时间是静态的(稀疏)。三条件齐了,善伦的监控成本可以降一个数量级——这是 100× 神话在一人公司里唯一诚实的打开方式。
- AI 音乐:生成环节(密集计算)该上 GPU 就上 GPU,别为叙事买单;分析环节(onset、变化检测)天然稀疏事件化,可以用最省的配置。
- 小说创作:灵感库的「全库扫描提醒」是密集帧思维;「关联触发」是事件思维。容忍近似条件善伦最有体会——初稿允许烂,完稿才求精。
- 一人公司本体:善伦自己的精力系统也要过三条件审计——注意力只投稀疏高杠杆事务、信息只吃事件化渠道、交付容忍 80 分。这是善伦作为「一人公司 CEO」与「神经形态芯片」共享的运行法则。
给正明系统算一笔「三条件账」。第一步:拉出系统最近一个月的全部 API/工具调用日志;第二步:把每次调用标记三个标签(该任务稀疏吗?输入是事件吗?结果可容忍近似吗?);第三步:统计「三条全中」的调用占比,与「一条不中」的调用占比。两小时的产出是一张饼图加一句话结论:善伦的系统现在有多少钱花在了「GPU 强项」上——那些钱,就是下一个「事件化改造」的预算来源。