技术深度解析
Flourish的技术路线是对统治现代AI的Transformer架构的一次彻底背离。其算法的核心是脉冲神经网络（SNN），它将神经元建模为离散事件发生器，而非连续激活函数。在SNN中，只有当神经元的膜电位超过阈值时才会发放一个脉冲，随后复位。这种事件驱动计算天然具有稀疏性——大多数神经元在任意时刻都处于静默状态——从而带来巨大的能耗节省。这与Transformer形成鲜明对比：在Transformer中，每个token都要与所有其他token进行密集的二次方计算，能耗与序列长度的平方成正比。
Flourish还实现了脉冲时序依赖可塑性（STDP），这是一种具有生物合理性的学习规则，突触权重根据前后脉冲的精确时序进行调整。这与反向传播有本质区别：反向传播需要全局梯度计算，能耗极高。STDP是局部的、无监督的，并且可以直接在硬件中实现，有望实现片上学习，无需海量数据传输。
在硬件方面，Flourish押注于存内计算（IMC）。传统的冯·诺依曼架构需要在内存与处理器之间搬运数据，这一过程消耗的能量比计算本身高出数个数量级。IMC利用内存阵列（例如电阻式RAM或相变存储器）直接在数据所在位置执行模拟矩阵-向量乘法。这消除了数据搬运，并实现了大规模并行。挑战在于，模拟计算存在噪声，易受器件差异影响，且难以扩展到训练所需的精度。
| 指标 | Transformer（GPT-4级别） | Flourish SNN + IMC（预估） |
|---|---|---|
| 单次推理能耗（10亿参数模型） | ~10焦耳 | ~0.05焦耳 |
| 训练能耗（10亿参数模型） | ~1,000兆瓦时 | ~10兆瓦时 |
| 延迟（实时语音） | ~50毫秒 | ~5毫秒 |
| 精度（权重） | FP16 | 4位模拟（有效） |
| 硬件成熟度 | 成熟（GPU） | 原型（实验室） |
数据要点： 预估的100至200倍能耗节省令人震惊，但代价是精度和成熟度。IMC的模拟特性意味着，要达到与数字Transformer相同的精度，是一项艰巨的工程挑战。
一个值得关注的开源项目是Lava（英特尔的神经形态框架），它在GitHub上拥有超过1,500颗星，为SNN提供了软件栈。另一个是snnTorch（超过2,000颗星），它将SNN集成到PyTorch中。这些代码库表明研究社区正在积极探索这一领域，但它们距离生产就绪仍有很长的路要走。
关键玩家与案例研究
Flourish并非孤军奋战，但其方法最为激进。神经形态计算领域包括几家主要参与者，各自采取不同策略。
英特尔的Loihi 2是已投产的最先进神经形态芯片。它采用数字SNN核心，专为事件驱动的低功耗推理而设计。然而，它并未实现存内计算；尽管采用了专用架构，但仍使用分离的内存和逻辑。Loihi 2在嗅觉感知和机器人控制等任务上表现出色，但尚未在大型语言模型上展现出有竞争力的性能。
IBM的NorthPole芯片是另一个竞争者，它将近存计算与专用神经网络架构相结合。它在图像分类基准测试（ResNet-50，能耗仅为GPU的十分之一）上实现了令人印象深刻的能效，但并非为Flourish所瞄准的动态、序列型任务而设计。
| 公司 | 架构 | 关键指标 | 目标应用 | 成熟度 |
|---|---|---|---|---|
| Flourish | SNN + IMC（模拟） | 200倍能耗节省（声称） | 通用AI（LLM、视频） | 实验室原型 |
| 英特尔 Loihi 2 | 数字SNN | 100倍能耗节省（推理） | 感知处理、机器人 | 商用（有限） |
| IBM NorthPole | 近存数字 | 10倍能耗节省（推理） | 图像分类、边缘AI | 研究原型 |
| Groq | 张量流处理器 | 10倍延迟降低 | LLM推理 | 商用 |
数据要点： Flourish是唯一一家尝试将模拟IMC用于通用AI的玩家，这提供了最高的潜在回报，但也伴随着最高的风险。英特尔和IBM采取了更为保守的路径，专注于更易制造但能效提升较小的数字实现。
该领域的一位关键人物是Carver Mead，这位加州理工学院教授在20世纪80年代创造了“神经形态工程”一词。他在模拟VLSI电路模拟神经系统方面的研究为Flourish的方法奠定了基础。然而，Mead本人曾警告说，模拟电路天生存在噪声，要达到大规模计算所需的精度是一项极其艰巨的挑战。