【導讀】在正在盛大舉行的2026上海世界移動通信大會（MWC26上海）上，Innatera開發(fā)的尖峰神經網絡（Spiking Neural Networks，SNN）技術、已商業(yè)化的Pulsar神經形態(tài)微控制器（neuromorphic MCU）、Talamo軟件開發(fā)套件（SDK）和多項應用展示吸引了眾多的觀眾。大家對SNN在邊緣端實現的極致能效比與低延遲響印象深刻，其事件驅動的計算機制與異構混合架構正在為越來越多的邊緣AI和端側AI，尤其是物理AI創(chuàng)新帶來巨大支持。
Innatera Nanosystems公司總部位于荷蘭，其SNN摒棄傳統(tǒng)AI芯片的時鐘同步幀計算模式，僅當輸入脈沖信號觸發(fā)有效神經元激活時才啟動計算單元，無有效事件時硬件自動進入深度休眠狀態(tài)，從根源上消除了時鐘輪詢帶來的無效功耗，從而為音頻、雷達和工業(yè)等多樣化的應用場景實現微瓦級運行的核心設計。
在本次MWC26 上海展出的Pulsar芯片已經商用，它集成12個可編程數字SNN核心和4個模擬SNN核心：模擬核心通過電容陣列實現存算一體，單晶體管即可完成突觸權重的指數級非線性運算，徹底消除馮?諾依曼架構下的數據搬運能耗；數字核心則保障了網絡配置的靈活性，兼顧超高能效與通用適配能力。
（Pulsar神經形態(tài)MCU架構框圖）
為了加速AI應用的開發(fā)，除了集成上述SNN引擎，Pulsar還在同一顆芯片上集成了32-MAC CNN加速器、FFT/IFFT引擎與160MHz RISC-V MCU，可根據當前任務類型自動分配算力：低負載傳感檢測任務僅調用SNN單元，復雜圖像識別場景自動喚醒CNN加速器，避免了算力全開帶來的不必要功耗浪費。
（Pulsar微控制器產品圖）
針對AI技術對數據存儲的需求，Innatera還用系統(tǒng)性設計方法對存儲子系統(tǒng)進行了低功耗優(yōu)化，Pulsar芯片配置了384KB通用SRAM、128KB專屬CNN計算SRAM，額外預留32KB低功耗保持SRAM，在設備進入深度睡眠模式時僅保留該區(qū)域供電，即可維持應用狀態(tài)不丟失，大幅降低待機場景的能量消耗。
外設與計算深度協同是Pulsar另一項系統(tǒng)級優(yōu)化，該芯片集成了I2C、SPI、ADC、攝像頭接口等全類型傳感外設，同時為其搭配了直接數據讀取（DMA）引擎，可直接將傳感器輸出的脈沖數據送入SNN計算單元，無需經過CPU中轉搬運數據，進一步減少了數據傳輸環(huán)節(jié)的額外能耗。
這些架構創(chuàng)新和芯片設計優(yōu)化共同為Pulsar芯片帶來了多項優(yōu)于傳統(tǒng)AI處理器的技術優(yōu)勢，包括：
極致能效與超低功耗
- 事件驅動計算：SNN僅在檢測到有效信號（脈沖）時才進行計算，靜默期幾乎不消耗動態(tài)功耗。相比傳統(tǒng)CNN持續(xù)處理全量數據，其能耗可降低500倍以上（例如音頻分類任務從 40mW 降至 400μW）。
- 亞毫瓦級運行：Pulsar芯片的SNN計算引擎功耗低于1mW，支持“始終在線”的傳感器應用，顯著延長電池壽命。
- 稀疏性優(yōu)化：利用脈沖信號的稀疏特性，大幅減少無效計算和內存訪問，模型體積可比傳統(tǒng)方案縮小33 倍以上。
2. 超低延遲與實時響應
- 納秒至毫秒級響應：采用模擬與數字混合的神經形態(tài)計算單元，處理延遲可低至1ms以內，部分場景下延遲比傳統(tǒng)AI處理器降低100 倍。
- 原生時序處理：SNN 天然利用脈沖的時間間隔編碼信息，無需復雜的幀緩沖，特別適合處理雷達、音頻、振動等時間序列數據，實現真正的實時閉環(huán)控制。
3. 異構融合架構靈活性
- SNN + CNN + RISC-V 協同：Pulsar芯片集成了可編程SNN單元、CNN加速器和 32位RISC-V CPU。系統(tǒng)可根據任務需求動態(tài)分配資源：低功耗場景用 SNN 處理實時傳感，高精度場景調用CNN，通用邏輯由CPU執(zhí)行。
- 全可編程性：支持跨不同網絡拓撲的神經元和突觸級參數化，開發(fā)者可通過 Talamo SDK基于PyTorch訓練模型并直接映射到硬件，兼顧了生物啟發(fā)的效率與傳統(tǒng)AI的開發(fā)便利性。
4. 邊緣隱私與數據縮減
- 端側閉環(huán)處理：數據在本地完成感知、分析與決策，無需上傳云端，顯著提升數據隱私安全性。
- 原始數據壓縮：在傳感器前端直接提取關鍵特征，可將原始數據量縮減高達1000 倍，降低帶寬需求并減少對云服務的依賴。
（Pulsar與主流AI部署方案性能對比）
基于這些優(yōu)勢，Innatera的SNN技術通過模仿生物神經機制，解決了傳統(tǒng)邊緣和端側AI在功耗、延遲和實時性上的瓶頸，特別適用于可穿戴設備、智能傳感及預測性維護等對能效敏感的場景。因此，Innatera的Pulsar芯片已在可穿戴設備、工業(yè)傳感、智能家居等多個領域實現了商用落地。包括：
1.智能可穿戴設備
長續(xù)航智能手環(huán)：搭載Innatera Pulsar SNN處理器的智能手環(huán)，在保留常規(guī)運動監(jiān)測功能的基礎上，新增全天候血壓趨勢監(jiān)測能力，整體續(xù)航延長至14天，跑步模式下可實時識別12種運動姿態(tài)，能耗僅為傳統(tǒng)AI方案的1/3。
低功耗音頻耳機：在藍牙耳機場景中，SNN實現了低于1μW的持續(xù)監(jiān)聽功耗，單顆紐扣電池即可支撐設備連續(xù)工作30天以上，同時可精準隔離不同聲源實現降噪，能耗比傳統(tǒng)音頻處理方案降低80-100倍。
健康監(jiān)測貼片：基于SNN的醫(yī)療級心率監(jiān)測貼片，設備體積縮小40%，續(xù)航延長至21天，可長期穩(wěn)定采集生物信號，全程無需上傳云端處理，保障用戶健康數據隱私。
2. 工業(yè)傳感器場景
工業(yè)預測性維護：SNN驅動的振動傳感節(jié)點，可在亞毫瓦功耗下實時識別設備異常振動信號，無需依賴云端算力即可完成本地異常檢測，大幅降低工業(yè)現場布線和電池更換成本，適配工廠長期無人值守的監(jiān)測需求。
高分辨率實時感知系統(tǒng)：Aria Sensing 基于Pulsar SNN構建了1D/2D/3D實時感知系統(tǒng)，在低功耗狀態(tài)下實現連續(xù)高精度環(huán)境監(jiān)測，解決了傳統(tǒng)工業(yè)傳感節(jié)點續(xù)航短、響應慢的痛點。
雷達傳感模塊優(yōu)化：Socionext 將其雷達模塊與Innatera SNN芯片集成后，不僅大幅降低了系統(tǒng)整體功耗，還將目標檢測的誤報率顯著降低，可用于工業(yè)區(qū)域入侵預警、人員存在檢測等場景。
3. 智能家居與物聯網（IoT）場景
超低功耗智能門鈴：搭載SNN芯片的智能門鈴原型機，通過雷達檢測人體存在，可連續(xù)工作18—20小時，而傳統(tǒng)依賴Wi-Fi傳輸圖像的同類產品僅能續(xù)航1—2小時，全程本地處理數據無需聯網上傳，兼顧低功耗與隱私安全。
實時事件檢測IoT節(jié)點：SNN賦能的智能家居傳感節(jié)點，可在無云依賴的狀態(tài)下完成實時環(huán)境事件感知，比如異常聲響識別、漏水檢測等，始終在線運行的同時大幅延長電池更換周期。
為了配合Pulsar芯片更好地發(fā)揮SNN技術的優(yōu)勢，Innatera根據SNN硬件架構提供了完整的Talamo SDK，可以幫助開發(fā)者實現SNN模型從訓練到硬件部署的全流程，同時無需深厚的SNN專業(yè)知識。普通AI開發(fā)者借助Talamo SDK可快速上手，基于PyTorch在熟悉環(huán)境中進行模型構建與訓練；在訓練完成后，利用SDK內置的SNN編譯器自動完成模型轉換；還可以先在PC端完成全流程仿真，驗證脈沖模型的推理精度、延遲和功耗表現。
待驗證通過后，開發(fā)者可以選擇兩種部署方式：使用Python原生編譯器直接生成可執(zhí)行文件，或是通過RISC-V架構的標準GCC工具鏈完成編譯，最終通過常規(guī)MCU燒錄流程將程序下載到Pulsar神經形態(tài)微控制器中，完成端側部署。整個開發(fā)流程完全貼合傳統(tǒng)AI開發(fā)者的使用習慣，從根本上降低了神經形態(tài)計算的落地門檻。在本次MWC26 上海的Innatera展位（展位號：N3.F40）上，普通開發(fā)者也嘗試快速完成SNN應用的開發(fā)與部署。
