类脑智能

专注于为下一代人机与脑机交互提供核心芯片

类脑智能,是以模拟大脑的神经结构和认知原理为核心,使计算系统具有类似人类的感知、推理和学习能力。

如同自然界的蜜蜂,凭借100万个神经元的“迷你大脑”,即可完成复杂的导航、筑巢与采集任务,其功耗仅为0.1毫瓦。而人类大脑更为复杂,通过海量的神经突触传递信号,具有稀疏激活、大规模并行特点,为低功耗、可扩展的计算奠定了基础。

类脑芯片作为类脑智能的核心技术层,借鉴生物大脑的信息处理方式,以神经元与神经突触为基本单元,模拟生物大脑神经元的功能特性、信号传递和学习方式,能够让计算机在低能耗情况下完成感知、学习、记忆、决策等任务,突破传统冯·诺依曼架构在能耗和效率方面的限制。

传统计算架构的技术瓶颈

1. 连续采样,数据爆炸
所有通道持续采样,信号静息也不间断,数据量随通道数指数级增长,存储、传输、功耗同步上升

2. 数据搬运,能耗增加
传统架构遵循:数据采集→缓存→内存→处理器→写回
海量数据搬运和传输,能耗直线上升

3. 批次处理,延迟累积
传统架构依赖批次处理,采集、传输、计算各环节叠加,造成延迟

时识科技(SynSense) 类脑芯片的特点

全新的运算机制

高能效
利用稀疏编码和事件驱动机制
避免冗余计算,降低功耗

全新的芯片架构

低时延
仅响应输入信号的动态变化
延迟压缩至微秒级

全新的算法支持

高扩展性
通过高密度、可重构的众核互联
突破传统架构在扩展性的物理瓶颈

类脑计算效率远高于传统计算范式

架构与算法的双重突破

传统架构类脑架构
编码算法编程在线学习
冯诺依曼架构全并行
单一传感器多模态
传统架构类脑架构
编码算法编程在线学习
冯诺依曼架构全并行
单一传感器多模态
模型学习驱动的数据智能认知仿生的类脑智能
海量数据、高质量标注可处理小数据、小标注问题
依赖模型、自适应能力弱自适应能力强,无监督学习
计算资源要求高、功耗高计算资源要求少、超低功耗
时序处理能力弱时序性好,解决通用场景问题
模型学习驱动的数据智能认知仿生的类脑智能
海量数据、高质量标注可处理小数据、小标注问题
依赖模型、自适应能力弱自适应能力强,无监督学习
计算资源要求高、功耗高计算资源要求少、超低功耗
时序处理能力弱时序性好,解决通用场景问题

类脑智能的优势

事件触发

功耗降低100-1000倍

异步并行

响应延时降低10-100倍

时序相关性好

擅长处理动态信息,维度丰富

成本优化

系统成本优化 5-10 倍

持续创新, 端云融合

2021–2022

Sensor Node I

边缘小算力

AI计算节点

智能家居
智能玩具
类脑芯片, XYLO, XYLO,
2022–2023

Sensor Node II

边缘大算力

智能安防
DYNAP-CNN,
2023

Sensor Fusion

多传感器融合计算

自动驾驶

智能座舱
高速避障
车路协同

无人机
DVS-SLAM,
2023–2024

Edge Cloud

模拟计算、类脑存算一体

AR/VR

机器感知
光流定位
视觉导航
控制

机器人
多核DYNAP, DYNAP-M, XYLO-M,
Close
Back To