先建立一个能用的直觉
SNN 的潜力来自稀疏事件、加法式突触累加和局部状态。但在普通 GPU 上，时间循环、稠密张量和 BPTT 可能让它比 ANN 更慢、更耗显存。
它到底解决了什么麻烦
“理论操作更少”不等于“整机能量更低”。算法、实现、内存访问、芯片数据流与任务精度必须共同评估。
Math · 不背公式，顺着计算读
每张卡先讲人话，再拆符号、走计算顺序，最后代入一组数。读完后请合上说明，自己复算一次。
这是一个数量级估算：每个时间步，只有 r_spike 比例的源神经元活跃，于是理想硬件只执行相应比例的突触累加。
符号分别是谁
- T
- 仿真时间步数
- rspike
- 平均发放率，这里按每步活跃比例计
- Nsyn
- 若全部源神经元活跃时需要访问的突触数
- OpsSNN
- 理想稀疏执行下的有效突触累加次数
按这个顺序计算
- 先算每步满连接需要访问多少突触。
- 乘平均活跃比例，估计每步有效事件数。
- 再乘 T，得到整个序列的事件累加量。
代入一组数
Nsyn=100 万、T=8、r=5% 时约 40 万次有效累加；r=60% 时约 480 万次，相差 12 倍。
芯片总能耗不是只看乘加次数：算术、读写权重/状态、跨核传输都要付费，很多模型真正贵的是搬数据。
符号分别是谁
- Ecompute
- MAC、AC、阈值比较和状态更新的能量
- Ememory
- 读取权重、膜状态和写回中间结果的能量
- Ecommunication
- 片上/片外传输 spike 与特征的能量
按这个顺序计算
- 先明确测量边界：单核、芯片还是整块板卡。
- 分别统计计算、存储和通信活动。
- 在同等精度、batch、延迟条件下相加比较。
代入一组数
一个方案把算术能量降了 50%，但内存和通信占原系统的 80%，总能量最多从 100 降到 90，而不是直接降到 50。
把几个容易混的概念拆开
Loihi
异步多核神经形态处理器，支持片上学习规则与局部状态。
TrueNorth
大规模数字神经突触核心，强调低功耗事件通信与可配置神经元。
SpiNNaker
由大量 ARM 核组成，以实时模拟大规模脉冲网络和灵活通信为目标。
跟着机制一步一步走
01
一个可信的能效比较需要什么？
至少对齐任务精度、模型规模、batch、T、spike rate、数值精度和硬件。只用“MAC 比 AC 贵”乘以操作数，是分析起点，不是端到端结论。
- 理论计数：MAC、AC、有效突触事件。
- 运行测量：延迟、吞吐、峰值显存。
- 硬件测量：芯片功耗、板级功耗、数据传输边界。
- 任务约束：达到同等精度或同等延迟。
02
为什么 GPU 训练常不省？
稠密卷积内核不会因为输入是 0 就自动跳过；T 次前向与 BPTT 还会保存大量激活。神经形态芯片通过局部状态和异步事件路由减少这些开销，但也受算子支持与精度限制。
公式在代码里对应哪一行
这一章更适合在交互实验里逐步观察；代码实验页还提供了完整训练程序。
先写下预测，再动参数
设 T=8，把 spike rate 从 5% 调到 60%，计算有效 AC 数量如何变化；再思考 GPU 是否真的跳过这些零值。
我最常见到的误解
把芯片论文的能耗数字直接外推到自己的 GPU 训练。比较必须说明硬件、精度、batch、时间步和测量边界。
到了论文里，它会怎么出现
研究正逐步把“估算能耗”推进到真实芯片测量、算子约束与端到端数据移动分析。
别急着翻页，先验算一下
本章检测0/3 已作答