神经形态计算
受生物神经系统启发的计算范式，试图在硬件层面模拟神经元和突触的工作方式，代表产品包括Intel Loihi和IBM TrueNorth芯片。
核心事实
时间轴 (近 90 天)
生物混合计算可以看作神经形态计算的一个激进分支，直接使用活体神经元作为物理计算介质
神经形态计算是一类借鉴神经系统结构与信息处理方式的计算范式，典型特征包括脉冲编码、事件驱动和存算一体
神经形态计算通过模拟生物神经元的存算一体结构，将计算与存储融合在同一物理单元中，以减少数据搬运开销。
若大脑高效性部分源于行波实现的异步、分布式信息路由，神经形态架构在模拟这一机制方面可能比传统同步时钟驱动的GPU计算更具优势
该项目的核心思路是用生物连接组替代人为设计的网络架构，属于神经形态计算与连接组学的交叉地带
神经形态系统通常采用脉冲神经网络（SNN），用离散的脉冲事件而非连续浮点数传递信息
该项目并未采用脉冲机制，仍在标准的反向传播/权重更新框架内运行，因此与硬件层面的神经形态计算有所区别
全部知识事实 (8)
神经形态计算领域的 Intel Loihi 芯片、IBM TrueNorth 项目均沿用了生物神经系统的命名体系
65%待验证生物混合计算可以看作神经形态计算的一个激进分支，直接使用活体神经元作为物理计算介质
50%待验证神经形态计算是一类借鉴神经系统结构与信息处理方式的计算范式，典型特征包括脉冲编码、事件驱动和存算一体
50%待验证神经形态计算通过模拟生物神经元的存算一体结构，将计算与存储融合在同一物理单元中，以减少数据搬运开销。
50%待验证若大脑高效性部分源于行波实现的异步、分布式信息路由，神经形态架构在模拟这一机制方面可能比传统同步时钟驱动的GPU计算更具优势
50%待验证神经形态系统通常采用脉冲神经网络（SNN），用离散的脉冲事件而非连续浮点数传递信息
50%待验证该项目的核心思路是用生物连接组替代人为设计的网络架构，属于神经形态计算与连接组学的交叉地带
50%待验证该项目并未采用脉冲机制，仍在标准的反向传播/权重更新框架内运行，因此与硬件层面的神经形态计算有所区别
50%