过去的十年中，AI 及其应用（例如计算机视觉和自然语言处理）已经彻底改变了许多行业和人们日常生活。如何让机器朝着更智能的方向更快进化？巨头与初创企业都在争夺下一波发展浪潮的机遇。

由于边缘计算和 5G 网络等新技术更依赖于瞬时响应，数据中心固有的延迟和资源占用问题将变得愈发难以接受。

在解决这个问题上，作为类脑智能的核心组成部分，一种名为“类脑计算”（neuromorphic computing，也称为神经形态计算）的新型计算范式受到更多关注。

（来源：麻省理工科技评论）

类脑计算能够大幅提升数据处理能力和机器学习能力，能耗和体积却要小得多，或将引领计算机微型化和人工智能的下一阶段。IBM、英特尔、高通等巨头公司已经在该技术上押注多年。

今天，一家来自瑞士、背靠著名研究机构苏黎世大学及苏黎世联邦理工神经信息研究所的类脑芯片新创企业 SynSense （原名为 aiCTX ）宣布已完成近亿元人民币 A 轮融资。该轮融资由和利资本领投，默克、中科创星、科沃斯、云丁、亚昌投资等跟投。

据了解，公司正在筹备 2020 年将母公司全面落地中国。同时，第一款基于类脑的 SoC 即将推向市场，力争成为第一家实现类脑芯片商用的公司，全面发力与巨头正式赛跑。

（来源：SynSense）

顶尖类脑研究机构数十年积累对外输出

首先，为什么要让机器实现“类脑”？

在人脑这个仅占 3% 人体质量的场所中，1000 亿个神经元携 1000 万亿个突触相连接。每一秒都有神经元衰老死亡“退役”的情况下，它仍能运转计算着世界扑面而来的巨大信息量。功耗只有 20 瓦。

低功耗、高容错、创造性……人脑有太多值得机器追赶的能力。而类脑计算，就是要让机器实现类似人类大脑般高效、实时处理大规模动态时空数据，并且这种能力能够部署在各种类型的设备上。

对于 SynSense 创始人兼 CEO 乔宁来说，这也是为何类脑芯片对从事了近 10 年传统芯片研发的他产生吸引力的原因。

图｜乔宁（来源：SynSense）

2012 年，他从中科院半导体研究所博士毕业。当时，作为类脑计算研究第一高地的欧洲，已经有很多类脑相关的研究，包括晶元级别的大规模芯片项目。而在中国，约 2014、2015 年才有类脑计算这个概念。

“我个人觉得这方面的研究具有一定的挑战性。我从本科、硕士、博士近十年的时间都是研究传统芯片，当时就想尝试一下。另外，欧洲的科研环境也比较好。” 他说。

他所在的苏黎世大学及苏黎世联邦理工神经信息研究所（Institute of Neuroinformatics，以下简称“神经信息研究所”），是苏黎世大学和苏黎世联邦理工的第一个交叉学位研究所。追溯这家研究机构的历史，也是类脑计算由加州理工学院起源并延伸至欧洲的发展历程。

图丨Carver Mead（来源：Caltech）

1980 年，类脑计算的大门首次打开。

超大规模集成电路(VLSI)发明者之一、加州理工学院传奇人物 Carver Mead 在 Proceeding of IEEE 发表文章《Neuromorphic Electronics Systems》首次提出类脑计算概念，并设想用 CMOS 模拟电路去模仿生物视网膜 outer plexiform layer，搭建具有生物计算特性的系统。

在那之后，类脑计算的研究力量开始逐渐壮大。一些教授学者来到苏黎世，发展出新的分支，其中就包括 Carver Mead 的学生、该研究所的现任所长 Giacomo Indiveri，他也是乔宁日后的老师，现为 SynSense 首席科学家。

1995 年，神经信息研究所成立，专门致力于类脑研究，开始结合生物层面的解剖、网络模型、算法、工程化等，一步步拼齐类脑研究的完整版图。

而从 2012 年加入该所至今，乔宁见证了类脑计算如何从最早的作为人脑反向工程的纯科研存在，展现出走向应用的潜力。

最初的类脑芯片，完全是为了人脑反向工程而存在，即为生物解剖、算法及模型团队提供硬件验证平台。

“类脑用来反向人脑，一般是通过解剖，然后基于解剖切片进行三维建模呈现，进而去观察神经的连接。目前，复现这些连接还未实现，但是，我们可以得到神经元的连接数和连接比例”，乔宁说。

因此，早期从实验室中诞生的类脑芯片，都是通用架构的芯片，包括 IBM 和英特尔。

“大家的目的都是为了帮助科学家去理解人脑以及验证具体的模型。从芯片角度的发展来说，这些芯片基本也是为了支持科研上的反向工程。这离芯片的商业落地还稍微有一些早，还不是很成熟，只是用来支持基础科学研究”，他说。

图丨TrueNorth（来源：Science）

直到 2014 年，类脑芯片迎来了标志性事件：IBM 公司发布百万神经元级别 TrueNorth 芯片。在执行某些任务时，其能效可达传统中央处理器的数百倍，也是类脑芯片首次与人脑的大脑皮层有了可比之处。虽然 TrueNorth 功耗仍然比较大，但是其可扩展超过了当时的芯片。整个类脑芯片领域开始加速小跑，进入到工程化研发的阶段。

乔宁所在的苏黎世的实验室，基本上每年也在推出新的芯片。从最初的通用架构单核芯片，发展到了多核芯片，工艺上从 180nm 工艺发展到了 22nm工艺。

2016 年起，神经信息研究所分离出的大约 10 人团队，开始从公司层面来计划将类脑芯片产业化，打造基于类脑计算的专用芯片；与此同时，也仍会兼顾学校面向的科学研究开发通用芯片。

最终，公司于 2017 年正式成立。目前总部暂落在瑞士苏黎世，并在成立不到一年就拿到了欧洲 H2020 脑机接口项目。信息所多年在类脑计算上积累的技术和专利，开始逐渐流向了商用雏形的产品之中。

2018 年，在 Pre-A 轮中拿到 BV 百度风投数百万美元的领投，也让这家公司在某种意义上“走出”欧洲，受到更多关注。

从通用到专用，走向商业驱动的类脑芯片

从筹备成立初期至今，团队由支持 256 个神经元的单一测试芯片，到研发出多核、多芯片级别的系统整合。到 2019 年，拥有了第一款 SoC 级别的产品，包含了类眼和类脑芯片模块，而这种系统整合是史无前例的。

“从科研角度来讲越来越复杂，从工程角度来讲越来越接地气，设计流程也越来越偏应用了……如果人脑没有研究清楚，那么类脑计算就不可能达到人脑能实现的功能。但是从另外一个角度来讲，我们已经知道了关于人脑的一小部分（大约 10%），不少已经可以应用到现实生活中”。回顾在探索类脑芯片迈向应用的历程，乔宁如此说道。

那么，相较于传统的芯片，类脑芯片展现的技术潜力又有哪些？

（来源：SynSense）

类脑芯片一大技术特性在于其依靠脉冲神经网络，执行基于脉冲的运算。

脉冲神经网络模拟人的神经元，能够同时融入时、空信息，因此更适用于受人类推理、判断、决策等思维过程启发的计算，善于做复杂时空序列分析。

而且，虽然每个神经元发放速率很低，但基于全并行运算，在视觉等领域的响应远远快于现有解决方案（几毫秒对应于现有技术的几十毫秒）。这也就决定着类脑芯片将适合各种传感器信息的实时处理。

另外，类脑还涉及独有的事件触发运算的机制 —— 当没有动态信息生成的时候不会有运算发生，如同人的大脑拥有的“放空”状态，

拥有这些技术特点，相比于传统芯片，类脑芯片在学习能力和功耗上具有更大优势：可突破传统计算架构，实现存储与计算的深度融合，从而大幅提升计算性能、提高集成度、降低能耗。

对比现有的 AI 和基于类脑计算的类脑智能，两者的一大区别还在于，深度学习技术在静态物体识别再怎么炉火纯青，在处理动态信息时的表现往往又是另一回事了。

“对类脑计算的优势来说欧美是有共识的。类脑计算擅长实时的数据分析。现在，它可以做到超低延时的运算，包括视觉、语音方面的识别”，乔宁说。

（来源：SynSense）

因此，在市场切入点上，相比较于把各种传感器数据传到云上进行处理，SynSense 将自己定位于发展用于边缘运算、端上的超低功耗处理器和传感器。他笑称，“类脑计算有的时候会让用户和市场觉得有距离感。相比之下，我们会介绍称自己是边缘计算芯片公司”。

乔宁认为，对比 IBM 和英特尔开发的面向基础研究和通用架构的类脑芯片，SynSense 最大不同将在于开发应用驱动的类脑芯片。

最新一轮融资领投方和利资本的执行合伙人张飚亦表示：“非常看好类脑技术的前景，坚信 SynSense 是第一个把此技术落地的公司。”

视觉场景边缘计算，能否让类脑芯片在市场上真正尝到甜头？

SynSense 将自己定位为一家以类脑技术为主线，专注于边缘运算，开发超低功耗、低成本边缘运算智能处理器及智能传感器，为智能家居、机器人、智能安防、自动驾驶、无人机等多领域提供完整解决方案的高科技公司。

目前，SynSense 主要关注两大业务方向：

一是视觉信号，以动态摄像头为输入的超低功耗、超低延时的实时动态图像处理及智能应用。主要应用场景为智能家居及安防领域；

二是身体信号、语音等自然信号的超低功耗实时处理。可用于手机、健康监测及工业机械领域。

面向视觉，2019 年 5 月，SynSense 发布了全球第一款完全基于事件触发运算的动态视觉 AI 处理器 DynapCNN。

图丨DynapCNN（来源：SynSense）

正如上文所言，现有的视觉识别技术仍以帧为主，是静态视觉处理。而 DynapCNN 的不同在于打破这一限制，基于像素级事件驱动运算，为超低延迟、超低功耗的动态视觉处理所定制。

据悉，它是一款纯异步、高可配置性、高可拓展性的神经形态处理器，芯片面积 12m㎡ ，采用格罗方德 22nm 工艺设计，单芯片集成超过 100 万脉冲神经元和 400 万可编程参数，支持多种脉冲 CNN 架构，其芯片架构所具有的可拓展性适合于实现大规模脉冲卷积神经网络。

DynapCNN 将运算能效提高 100-1000 倍的同时，实时 AI 视觉处理现存方案的识别响应处理延迟缩短 10 倍以上，在汽车自动驾驶、安防、物联网等动态高速视觉领域具有广泛的应用前景。对于超低功耗的、不依赖于云的边缘运算场景需求，DynapCNN 也有强大竞争力。

面向自然信号，通用芯片 DynapSE 系列芯片，则相较专用芯片 DynapCNN 具有更灵活的可配置性。芯片集成自然信号到脉冲输入转换接口电路，可用于便携设备端侧语音信号处理、可佩戴设备的健康监测及工业机械噪声监测等。在语音信号处理上应用 DynapSE 进行口令识别，功耗低于 1mW。

（来源：INI）

值得一提的是，因为背靠神经信息研究所，SynSense 也是一家全栈式类脑计算技术公司，提供包括：IP授权、硬件设计、软件配置、算法开发等定制化服务以满足特定场景需求的全栈式解决方案。

因此，SynSense 现阶段主要芯片研发不但有专用脉冲卷积神经网络（SCNN）芯片 DynapCNN、通用脉冲神经网络（SNN）芯片 DynapSE，还包括针对公司硬件架构的脉冲神经网络算法、模型的搭建及仿真，以及支持系列芯片应用的用户软件工具链开发。

目前，SynSense 正在与国内的安防巨头、Tier1 设备供应商、机器人等公司产生合作关系并进行项目合作。在欧洲，SynSense 也与欧洲物联网巨头、智能语音等公司开展合作。

短期内，乔宁尤其看好将类脑计算应用到智能家居所需的新一代视觉传感器上，他认为，未来一到两年是智能视觉传感器爆发的时机。

“智能家居中智能传感器的爆发阶段快要到来，类脑芯片在边缘运算上的优势能很好地解决这些痛点，这是我们找到的第一个比较好的应用场景。类脑芯片的优势是低功耗、低延时、低成本，而且对用户隐私保护也做的比较好。现在智能家居方面的传感器都比较简单，例如红外传感器、麦克风、重力传感器等，而比较稀缺智能视觉传感器，这是我们主要关注的方面”，乔宁说。

2020 年将是类脑计算产业化的关键起跑点

基于上述判断，公司进一步设计开发了世界第一款结合类眼与类脑技术的全仿生的智能视觉传感器 Speck。

该芯片由 台积电 65nm 工艺设计，芯片面积 20m㎡。做为完整的视觉模组，该芯片在人机交互等应用场景下整体功耗低于 1mW，识别响应延时低于 30ms。对于手势、姿态、行为检测等应用领域较传统解决方案在功耗、延时、成本等各方面都体现了类脑的优势。

而且 Speck 亚毫瓦超低功耗动态视觉智能传感器 SoC 现已投片并测试成功。据悉，Speck 开发板有望于 2020 年 6 月交付客户使用。

图丨Speck（来源：SynSense）

与产品商用同步推进的是计算生态的完善。

为全面推进类脑技术的发展及加快产业落地，SynSense 将在 2020 年与成都高新区合作成立国际级神经信息产业研究院，并结合公司国际影响力及产业落地优势，与研究院强强联合、全面整合产业及科研教育资源，以市场需求为导向，构筑类脑技术的上下游完整生态。

放眼全球，中国 AIoT 市场将是类脑芯片走向商业化的一片沃土。这也是为何SynSense 决定在 2020 年将其总部落地中国的重要驱动。

对于这家从欧洲发展起来的公司而言，乔宁还有更多的考虑。或许也代表了一批在欧洲进行科技创业的华人科学家的想法。

“瑞士有三所高校，苏黎世大学、苏黎世联邦理工和洛桑联邦理工，人才很丰富，科研实力也都很强，每天都会有新的点子，欧洲也有很多的初创公司。但是缺的是资金和市场，所以很多公司在后来都会搬出去或者就消失了。

人工智能目前最迫切需要的是市场落地。从市场客户角度而言，中国是最大的市场，中国客户也是最愿意尝试和包容新兴技术的。同时，公司也不局限于中国市场，继续服务全球客户。

另外从投资角度，中国投资人比较活跃，政府对新兴技术的支持也很到位。如果想成为‘另外一个英特尔’，就必须回到中国，”乔宁说。

据了解，SynSense 正在组建国内的研发团队，预计规模会与其欧洲团队近似，大约在 20 人左右。在分工上，公司短期内的研发仍在欧洲，但长远来看，欧洲将主要负责底层 IP 和算法研发，国内则负责系统的集成、工程化、市场等工作。

对于这家充满野心的新型计算技术创企来说，这又会是一个新的开始。