人工智能（AI）迅猛发展的当下，能效问题已成为制约技术进步的瓶颈。人类大脑以约20瓦的功率实现复杂学习和决策，而当今超级计算机处理类似任务却需消耗兆瓦级电能。这种巨大差距，正通过神经形态计算（neuromorphic computing）技术逐步弥合。2025年11月2日，SciTechDaily 发布报道称，南加州大学（USC）Viterbi 工程学院与高级计算学院的研究人员公开了一种新型硬件神经元设计：集成脉冲人工神经元（Integrated Spiking Artificial Neuron, ISAN）。研究团队不是把传统神经网络“软件化”地在通用芯片上模拟发放行为，而是在物理器件层面直接让电子元件产生接近生物神经元的脉冲、积分与泄露动态。
文章详细描述了ISAN的工作机制：通过把产生阈值触发（spike generation）、膜电位积分和自发泄露等功能集成到同一器件结构中，研究者实现了“类似细胞膜”的电学响应。器件在输入电流累积到阈值时出现短时脉冲放电，放电后膜电位随时间衰减回基线，这一序列与生物神经元的“积分‑泄露‑触发”过程在形态与时间尺度上都高度相似。
神经形态计算的核心在于模仿大脑的结构和功能。大脑由约860亿个神经元组成，这些神经元通过离子（如钠、钾、钙）在突触间传递电化学信号，实现高效并行处理。传统计算机依赖电子流进行串行计算，导致AI训练过程能耗惊人。以ChatGPT为例，其训练阶段已耗费数百万千瓦时电能，相当于数千户家庭一年的用电量。相比之下，大脑能从少量样本中快速学习——一个幼儿仅需几张手写数字图像，就能辨识0‑9，而计算机往往需数千例。 USC团队的这项研究，正是针对这一痛点，通过硬件级模拟离子动态，构建出“脑忠实”系统。
该人工神经元的设计简洁却高效，仅由一个扩散忆阻器（diffusive memristor）、一个晶体管和一个电阻器堆叠而成，总面积仅约4微米²，相当于传统设计中数十至数百晶体管的体积极小。 忆阻器是一种新型存储元件，能“记住”电阻状态变化，模拟突触权重调整。研究者使用氧化物中的银离子作为载体，这些离子通过扩散和漂移，生成电脉冲，精确复制生物神经元的动作电位（action potential）。正如USC计算机与电气工程教授、神经形态计算卓越中心主任J. Joshua Yang所言：“尽管并非完全相同的离子，但离子运动和动态的物理原理与大脑高度相似。银离子易于扩散，为我们提供了模拟生物系统的必要动态，仅需简单结构即可实现神经元功能。”
在实验中，该装置成功模拟了大脑的关键过程：电信号在突触转化为化学信号，再逆转为下一神经元的电信号。这种离子驱动机制不同于电子计算的“软件学习”，而是实现硬件级自适应学习——大脑的“湿件”（wetware）本质。团队在大学洁净室中制作的芯片阵列，展示了丰富的神经元功能，包括运动、学习和规划等行为。能量消耗比传统AI芯片低数个数量级，足以降解当前AI的“能源黑洞”。Yang强调：“现有系统并非功率不足，而是效率低下。我们从未设计它们来处理海量数据或从少量样本自主学习。借鉴大脑原理，能同时提升能源和学习效率。”
科研团队在报道中列出了多个实验细节：他们将这些人工神经元与可调节的人工突触配对，构建小规模神经网络样机，验证了脉冲时序编码与事件驱动计算的可行性；在芯片级测试中，ISAN能够在不依赖外部数字控制器的情况下，自主完成脉冲产生与衰减周期，从而显著简化外围电路的复杂度。
这一成果并非孤立。2025年，神经形态领域迎来爆发式进展。Nature Communications上的一项研究报道，研究者构建了具备功能参数的人工神经元，能整合生物幅度信号并产生连续电压尖峰，模拟动作电位。 另一篇8月刊文则介绍“人工转神经元”（artificial transneurons），这些装置模拟不同脑区活动，甚至捕捉随机动态——大脑功能中不可或缺的“噪声”元素。 Nature近期评论指出，这种人工神经元将助力构建紧凑、高效的脑启发计算机，预计在边缘设备（如可穿戴AI）中率先应用。 此外，德克萨斯大学达拉斯分校（UTDallas）团队仅在几天前公布原型计算机，该系统采用脑启发硬件，专为AI任务优化，能效提升显著。 洛斯阿拉莫斯国家实验室（LANL）则预测，神经形态计算将成为AI下一代范式：体积更小、速度更快、效率媲美大脑。
从商业视角看，2025年的神经形态路线图显示，硬件技术就绪水平（TRL）虽低于软件，但已接近实用化。荷兰Topsector ICT发布的报告强调，硬件如Intel Loihi、IBM TrueNorth和SpiNNaker芯片，正从实验室转向市场。 Nature Communications一文探讨了商业成功路径：通过简化部署工具，使应用在神经形态硬件上运行更快、更便捷。 AI News Hub分析认为，到2025年底，神经形态技术将在智能家居、机器人视觉等领域落地，如Nature子刊所述的机器人视觉算法与硬件集成。 arXiv上的综述进一步指出，脑启发AI（BIAI）正融合神经科学、AGI和神经形态硬件，形成统一前沿。
这些进展的深层意义在于桥接AI与神经科学。传统AI依赖海量数据和计算力，忽略大脑的“少样本学习”和“硬件适应”。离子而非电子的计算范式，正解决这一鸿沟。Yang团队的装置证明，离子动态能实现大脑般的进化优势：“人类大脑是进化赢家——最有效的智能引擎。我们选择离子动态，正是因为大脑如此运作。” 未来，集成数百万此类神经元，或许可重现大脑效率，帮助揭示脑机接口（如Neuralink）的奥秘，甚至加速AGI开发。Open Neuromorphic社区的硬件指南显示，现有芯片已支持高级神经处理。
然而，挑战犹存。离子扩散的随机性虽模拟大脑噪声，却可能引入不稳定性；大规模集成需克服制造精度问题。arXiv一篇关于“物理AI”的论文警告，生物原理虽启发性强，但需平衡稳定与适应。 此外，伦理考量浮现：脑模拟系统若太“真实”，将引发隐私和自主性辩论。
展望2025年后，神经形态计算或重塑AI生态。USC的创新标志着从“电子时代”向“离子时代”的跃迁，正如Yang所憧憬：“我们已证明紧凑构建块的有效性，下一步是大规模集成，测试脑效率复制。更激动人心的是，这样的脑忠实系统，或将揭开大脑自身运作的新谜团。” 在全球气候压力下，这一高效路径不仅是技术革命，更是可持续智能的必然选择。研究者们正加速迭代，期待脑启发AI点亮人类未来的“神经网络”。