想象一座忙碌的现代都市：所有电脑都蜷缩在「中央大工厂」里，一座工厂一旦通电，无论有没有活，整套流水线都跟着整齐划一的鼓点（时钟信号）无休止地空转，电费高昂、发热惊人。进入 AI 时代，订单（数据）爆炸式增长，把工厂扩建十倍也供不应求。这时候，有人把目光投向了江南水乡——那里没有中央调度，每户人家各自营生，只在需要协作时轻叩邻居的门、递上一张纸条，全镇的能耗集中在「有事情发生」的瞬间，安静而高效。Intel Loihi 神经形态芯片，就是用硅片建造的这样一座「脉冲水乡」：没有全局时钟，只有 13 万个数字神经元在收到事件时才苏醒，用脉冲信号互相通信，并在片内实时调整邻里关系。从未来计算范式看，它和量子 AI 站在同一条时间轴上：量子计算擅长并行探索海量组合空间，而神经形态芯片以极低功耗处理连续不断的感知事件，二者有望在未来高级智能系统中互补。下面，我们将走进这座硅基水乡，看看它如何工作、如何学习，以及它将把我们带向何方。

岗位关联

理解 Loihi 神经形态芯片，等于在传统冯·诺依曼架构之外，提前占位未来计算范式的另一极，让 AI 工程师的「算力工具箱」多一把能效利器。

目录
  1. 可视化演示
  2. 未来计算背景
  3. 脉冲神经网络
  4. Loihi芯片架构
  5. 片上学习机制
  6. 性能与能效
  7. 应用与前景
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

演示Loihi芯片神经形态核心网格架构与片上学习引擎、脉冲神经网络LIF神经元动态发射、与CPU/GPU能效对比三大模式交互动画。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Loihi芯片架构总览 128个神经形态核心网格分布式计算 片上学习引擎支持三因子学习规则 N_total = 128 × 1024 = 131K Loihi以14nm工艺集成128核心实现片上学习

未来计算背景

想象一座繁华都市的中央大工厂：所有电脑都挤在里面，靠一面巨大的鼓（时钟）统一指令，工人（晶体管）无论有没有活都必须跟着鼓点踏步，空转耗能。AI 时代让订单暴涨，工厂只能越盖越大，电价和散热几乎拖垮整座城。这时有人提出：与其扩建中央工厂，不如学一学江南水乡——每户人家各自营生，需要协作时才串门传信。于是，神经形态计算呼之欲出。

这个比喻正中计算机的根本矛盾。冯·诺依曼架构把「记忆」和「计算」分居两地，数据在 CPU 与内存之间来回搬运，像工厂材料和仓库之间不断送货，既慢又费电，这就是著名的「存储器瓶颈」；再加上摩尔定律逼近物理极限，靠堆晶体管换性能的路越走越窄。神经形态计算则反其道而行：模仿大脑，把「记忆」和「计算」融合在同一个元件里，用脉冲放电传递信息，成为未来计算范式的重要破局方向之一。

Intel Loihi 是 Intel 于 2018 年推出的第一代神经形态研究芯片（2021 年发布 Loihi 2）。它不采用传统 CPU 的分时指令执行，而用成千上万个「数字神经元」并行工作：每个神经元拥有本地存储的突触权重，事件（脉冲）到达时立即计算并可能发放新事件。没有全局时钟，只有事件发生时才有电流活动。这种架构的能耗需求可以这样看：

回到水乡：中央工厂的鼓点依然铿锵，但江南水乡已经证明——不用统一节拍驱动万亿晶体管，而是让每个神经元像水乡人家一样「按需点灯」。这正是 Loihi 为未来计算打开的一扇门。

Edynamic=Pdynamic×t,Pdynamic∝α×f×C×V2\displaystyle E_{\text{dynamic}} = P_{\text{dynamic}} \times t, \quad P_{\text{dynamic}} \propto \alpha \times f \times C \times V^2
传统芯片无论有无任务，活动因子 α 都居高不下；事件驱动的神经形态芯片让 α 随任务稀疏性大幅下降，功耗随之暴跌。
  1. 动态能耗 E_dynamic芯片工作一段时间 t 内，因信号翻转而消耗的能量。
    Edynamic=Pdynamic×tE_{\text{dynamic}} = P_{\text{dynamic}} \times t
  2. 动态功耗 P_dynamic与活动因子、频率、电容、电压平方成正比。
    Pdynamic∝α×f×C×V2P_{\text{dynamic}} \propto \alpha \times f \times C \times V^2
  3. 活动因子 α单位时间内实际发生信号翻转的晶体管比例。
    α=发生事件的周期数总时钟周期数\alpha = \frac{\text{发生事件的周期数}}{\text{总时钟周期数}}

脉冲神经网络

水乡人办事有独特默契：需要协作时，不会连环拨打电话，而是轻叩门扉、递上一张纸条。这个动作就叫「发放脉冲」。神经元之间传递的，不是连续电平，而是一个个离散的「事件」，像敲门声一样短促明确。

脉冲神经网络（Spiking Neural Network，SNN）就是神经形态计算的软件语言。与深度学习常用的 ANN（人工神经网络，传递连续实数激活值）不同，SNN 的神经元用「脉冲序列」表示信号，信息不但编码在脉冲数量里，更编码在脉冲时序中。Loihi 芯片正是 SNN 的硬件加速器：每个神经元在膜电位超过阈值时发放脉冲，随后复位。最经典的模型是 Leaky Integrate-and-Fire（LIF，泄漏积分发放）：

当膜电位 V(t) 达到阈值 V_th 时，神经元发放脉冲并复位到静息电位；突触权重 w 则决定前任一脉冲对后一神经元的影响强度。

这个模型就像一套智能门轴：每次敲门的力道被加权叠加，门开（发放）后自动复位；时间一长，之前的敲门记忆渐渐淡忘（泄漏）。整个小镇因为这些事件沟通而运转，安静又高效。

τmdV(t)dt=−(V(t)−Vrest)+RmI(t)\displaystyle \tau_m \frac{dV(t)}{dt} = -\left(V(t) - V_{\text{rest}}\right) + R_m I(t)
  1. 膜电位 V(t)神经元当前的电压状态，相当于水乡人家的「门轴紧张度」。
    V(t)V(t)
  2. 膜时间常数 τ_m反映电压衰减到静息状态的快慢，由膜电阻与膜电容决定。
    τm=RmCm\tau_m = R_m C_m
  3. 电位变化率 dV/dt膜电位随时间变化的速度，表示门轴是越绷越紧还是逐渐松弛。
    dV(t)dt\frac{dV(t)}{dt}
  4. 静息电位 V_rest没有外部刺激时膜电位的默认值，相当于门轴的自然松弛状态。
    VrestV_{\text{rest}}
  5. 输入项 R_m I(t)输入电流在膜电阻上产生的电压贡献，相当于敲门传入的力度。
    RmI(t)R_m I(t)

Loihi芯片架构

水乡小镇的社区规划暗藏智慧：每家（神经核心）自带仓库（SRAM）、灶台（计算单元），不需要去镇中心取货；巷子（路由网络）四通八达，消息走最近的捷径。这种「本地化、异步化」的布局正是 Loihi 的骨架。

Loihi 芯片片上集成了 128 个神经形态核心和 3 个嵌入式管理核（Lakemont 架构），每个神经核心内置约 1024 个神经元硬件电路，以及对应的突触权重存储。整个芯片没有全局时钟脉冲，核心之间通过异步路由网络以「事件包」形式交换脉冲消息——每个事件包携带源地址、时间戳与负载，在片上网络里类似一封封「魔法快信」。可扩展规模如下：

管理核负责配置、数据输入输出和系统监控；神经核则专注于脉冲积分与发放。

这就像水乡社区升级：原本每家只认识邻居，现在小巷子可以通到任意一户门口（片上路由网络），每户都能在本地处理大部分事务（本地存储突触与状态），无需远行。Loihi 2 则进一步增加了每核神经元的可编程灵活性和片上路由资源，让水乡的「巷子」更快更宽。

Ntotal=Ncores×Nneurons/core=128×1024=131,072\displaystyle N_{\text{total}} = N_{\text{cores}} \times N_{\text{neurons/core}} = 128 \times 1024 = 131{,}072
  1. 核心数 N_coresLoihi 集成的神经形态核心总数。
    Ncores=128N_{\text{cores}} = 128
  2. 每核神经元数 N_neurons/core单个核心可模拟的神经元上限。
    Nneurons/core=1024N_{\text{neurons/core}} = 1024
  3. 总神经元数 N_total整颗芯片可并行模拟的神经元总量。
    Ntotal=Ncores×Nneurons/coreN_{\text{total}} = N_{\text{cores}} \times N_{\text{neurons/core}}

片上学习机制

水乡的邻里关系从来不是一成不变：常来往的两户人家，默契越来越深，递纸条的频率会提高（权重增强）；久不联络的邻居，门路渐渐冷落（权重减弱）。这就是水乡的「学习」。

Loihi 最令人兴奋的特性之一，是「片上学习」——突触权重直接在硬件上更新，不需要把数据搬回 CPU 训练。它采用的基线学习规则是脉冲时序依赖可塑性（STDP，Spike-Timing Dependent Plasticity）：根据突触前后脉冲的相对时间差 Δt 调整权重。简化形式如下：

其中 Δt = t_post − t_pre。如果前脉冲先到（Δt > 0），表示「敲门的人先表达」，权重增强；如果后脉冲先到（Δt < 0），权重减弱。

这种「局部学习规则」意味着学习信号不需要反向传播整个网络：Loihi 的每个核心都能实时更新 8~9 bit 的突触权重。它还支持三因子学习规则（权重变化 = 突触前活动 × 突触后活动 × 全局调制信号），可用于强化学习范式。水乡的默契更新是自动发生的：交往的时间差决定关系是加深还是淡忘，这让 Loihi 成为不需要老师时刻盯着、自己在大街小巷里越走越聪明的芯片。

Δw={A+e−Δt/τ+Δt>0−A−eΔt/τ−Δt<0\displaystyle \Delta w = \begin{cases} A_+ e^{-\Delta t / \tau_+} & \Delta t > 0 \\[4pt] -A_- e^{\Delta t / \tau_-} & \Delta t < 0 \end{cases}
  1. 脉冲时间差 Δt突触后脉冲时刻减去突触前脉冲时刻，衡量两次敲门的时间先后。
    Δt=tpost−tpre\Delta t = t_{\text{post}} - t_{\text{pre}}
  2. 正向增强项 A_+ e^{-Δt/τ_+}前脉冲先到时，权重按指数衰减规律增强。
    A+e−Δt/τ+A_+ e^{-\Delta t / \tau_+}
  3. 负向抑制项 -A_- e^{Δt/τ_-}后脉冲先到时，权重按指数规律减弱。
    −A−eΔt/τ−-A_- e^{\Delta t / \tau_-}
  4. 分段条件根据 Δt 的符号，在「增强」与「抑制」两个分支中选一个。
    {Δt>0增强Δt<0抑制\begin{cases} \Delta t > 0 & \text{增强} \\ \Delta t < 0 & \text{抑制} \end{cases}

性能与能效

水乡运营的惊人之处在于「无事不耗」：深夜没有纸条传递时，各户的灯几乎全灭，全镇能耗趋近于零。这与中央工厂夜班不停机的日子形成强烈反差。

事件驱动特性为 Loihi 带来三重优势：功耗极低、延迟极低、与 AI 任务结构天然匹配的稀疏计算。在运行 MNIST 手写数字识别时，Loihi 的功耗可低至数十毫瓦量级，比传统 GPU 低两到三个数量级；而在 SLAM（同步定位与建图）等事件流任务上，能效比优势同样显著。能效比可以这样定义：

其中 T_events 是每秒处理的脉冲事件数，P 是芯片总功耗。

当然，Loihi 不是万能药：它受限于片上 SRAM 容量、神经元规模等物理条件，处理密集型张量运算时未必比 GPU 快。它最适合「事件流」型任务——就像水乡擅长零星的串门与议事，而不是每天吞吐千万件包裹的中央快递枢纽。硬件架构的省电，才是对能效问题的根本回答。

Eeff=TeventsP\displaystyle E_{\text{eff}} = \frac{T_{\text{events}}}{P}
  1. 事件吞吐量 T_events芯片每秒能处理的脉冲事件数量，衡量水乡巷道的通行能力。
    Tevents=NeventstT_{\text{events}} = \frac{N_{\text{events}}}{t}
  2. 功耗 P包含动态功耗与静态漏电功耗的芯片总功率。
    P=Pdynamic+PstaticP = P_{\text{dynamic}} + P_{\text{static}}
  3. 能效比 E_eff每瓦功耗可以处理的脉冲事件数。
    Eeff=TeventsPE_{\text{eff}} = \frac{T_{\text{events}}}{P}

应用与前景

水乡模式不能只停留在图纸上，还得在真实世界里办成事。近些年，这座「脉冲小镇」被派到气味识别、机器人抓取、地图构建等现场，交出一份份亮眼答卷。

Loihi 的应用横跨感知、运动决策与科学计算。Intel 与浙江大学合作，用 SNN 在 Loihi 上实现了「电子鼻」嗅觉识别：只需一次样本学习即可分辨多种气味，功耗远低于传统深度学习方案；机器人领域，Loihi 支持实时关节控制、机械臂抓取与避碰；神经科学领域，它被用于模拟大鼠海马体网格细胞，辅助定位导航研究。SNN 常用脉冲发放率来表征神经元活跃程度：

也就是在时间窗 Δt 内，神经元 i 发放的脉冲数量除以窗口长度。

未来计算范式正走向多元化：量子 AI 处理组合优化与采样，神经形态芯片做实时感知与强化学习，传统 GPU 继续承担大规模深度网络训练。Intel 还开放了 Lava 软件框架，研究者可以用 Python 编写 SNN 算法，在 Loihi 或仿真平台上运行。从「敲门传纸条」的朴素想法，到跑在真实世界的气味、机械臂与定位任务，Loihi 证明了这座硅基水乡不仅能生活，而且能干活。当它与量子计算、类脑算法交织，未来的算力图景将不再只有一座大工厂，而是一片各展所长的城市群。

ri(t)=Nspikes(t, t+Δt)Δt\displaystyle r_i(t) = \frac{N_{\text{spikes}}(t,\, t+\Delta t)}{\Delta t}
  1. 时间窗 Δt统计脉冲密度所用的时间窗口。
    Δt\Delta t
  2. 脉冲计数 N_spikes窗口内第 i 个神经元发放的脉冲个数。
    Nspikes(t, t+Δt)N_{\text{spikes}}(t,\, t+\Delta t)
  3. 平均发放率 r_i(t)单位时间脉冲数，表示该神经元在当前任务中的活跃程度。
    ri(t)=NspikesΔtr_i(t) = \frac{N_{\text{spikes}}}{\Delta t}

AI 应用场景

边缘 AI 的实时气味检测

阶段：实时推理与在线学习

解决的问题：传统深度学习模型部署到嵌入式设备时，需要对传感器信号连续采样并做窗口化推理，功耗高、延迟大；Loihi 以脉冲事件驱动，只对气味浓度变化事件做出响应，功耗大幅降低，且支持单样本在线学习。

具体案例：Intel 与浙江大学合作，将 LSTM 网络转换为 SNN 部署在 Loihi 上，实现「电子鼻」嗅觉识别。系统仅接触一次样本即可学会新气味，并能可靠分辨多种气味，运行功耗约 30~60 mW，远低于传统边缘 GPU 方案。

机器人实时控制

阶段：强化学习与在线决策

解决的问题：机器人关节控制要求毫秒级低延迟反馈，传统 GPU 体积大、功耗高，不适合电池供电的小型机器人；Loihi 的片上学习让机器人能边运行边调整控制策略。

具体案例：Intel 实验室用 Loihi 实现基于反馈信号的机械臂抓取控制，实验表明其成功率优于 CPU 实现，且能量消耗显著下降。仿生六足机器人在受扰后也能通过 SNN 快速恢复步态。

Python 演示

python56 行
import random  class LIFNeuron:    """Leaky Integrate-and-Fire 神经元模型, 模拟 Loihi 中的数字神经元"""     def __init__(self, tau=20.0, v_rest=-70.0, v_th=-55.0, v_reset=-75.0):        self.tau = tau        self.v_rest = v_rest        self.v_th = v_th        self.v_reset = v_reset        self.v = v_rest     def step(self, dt, current):        # 欧拉法离散 LIF 方程: tau * dv/dt = -(v - v_rest) + current        self.v += ((-(self.v - self.v_rest) + current) / self.tau) * dt        if self.v >= self.v_th:            self.v = self.v_reset            return True        return False  class STDPSynapse:    """简化 STDP 突触, 权重只做增强与抑制两个方向"""     def __init__(self, w=0.5, step_size=0.05):        self.w = w        self.step_size = step_size     def update(self, pre_spike, post_spike):        if pre_spike and not post_spike:            self.w += self.step_size  # 前脉冲先到, 权重增强        elif post_spike and not pre_spike:            self.w -= self.step_size * 0.5  # 后脉冲先到, 权重抑制        self.w = max(0.0, min(1.0, self.w))  def main():    random.seed(0)    pre = LIFNeuron()    post = LIFNeuron()    syn = STDPSynapse(w=0.4)    for t in range(400):        dt = 0.5        # pre 每 20 步注入一次脉冲电流, post 只接收突触传递过来的电流        current_pre = 12.0 if t % 20 < 2 else 0.0        pre_spike = pre.step(dt, current_pre)        current_post = 8.0 + syn.w * 6.0 if pre_spike else 8.0        post_spike = post.step(dt, current_post)        syn.update(pre_spike, post_spike)        if pre_spike or post_spike:            print("t=%3d pre=%d post=%d w=%.3f" % (t, pre_spike, post_spike, syn.w))  if __name__ == "__main__":    main()
目的：用 Python 实现 LIF 神经元与简化 STDP 突触，模拟 Loihi 中最基本的「脉冲-学习-权重变化」闭环。
  1. self.v += ((-(self.v - self.v_rest) + current) / self.tau) * dt欧拉法离散 LIF 微分方程，等价于文章里的膜电位更新公式。
  2. if self.v >= self.v_th:当膜电位越过阈值时，神经元发放脉冲并复位，这是「敲门」的时刻。
  3. current_pre = 12.0 if t % 20 < 2 else 0.0每 20 步给前神经元一次电流刺激，模拟水乡里的「定时来访」。
  4. current_post = 8.0 + syn.w * 6.0 if pre_spike else 8.0后神经元的输入由自身偏置与突触权重共同决定，权重越大传导越强。
  5. syn.update(pre_spike, post_spike)每次脉冲事件后更新突触权重，实现片上学习。
  6. print("t=%3d pre=%d post=%d w=%.3f" % (t, pre_spike, post_spike, syn.w))打印脉冲记录与权重变化，观察 STDP 的增强/抑制过程。

常见误区

误区看到 Loihi 能效比 GPU 高几十倍，以为它可以直接替代 GPU，跑任何深度学习模型（包括大 transformer 训练）都更快。

正解Loihi 的优势只集中在事件驱动、稀疏脉冲、低功耗实时任务上，例如传感器流、机器人控制、单样本识别。对于稠密矩阵计算和大模型训练，GPU 仍然遥遥领先，且 Loihi 的突触权重只有 8~9 bit，精度受限。水乡适合零星串门议事，中央快递枢纽依然适合海量包裹吞吐——两者各有主场。

为何常见：媒体宣传常突出「能效比提升数十倍」，却容易忽略「任务匹配」这个前提，初学者最容易把特殊场景优势泛化为全面优势。

误区认为脉冲是离散的二进制信号，信息容量小，SNN 很难完成复杂任务，不如连续值的 ANN「聪明」。

正解SNN 的信息不只编码在「有没有脉冲」上，还编码在脉冲的精确时序、发放率、群体编码模式中。时间维度提供了额外的自由度，Loihi 的事件时间戳让时序编码成为硬件事实。就像水乡纸条本身只是一张纸，但谁送的、何时送、送到谁手里，都承载着丰富含义。

为何常见：我们习惯用「数值大小」理解信息，容易忽略「时间顺序」这个同样强大的信息维度。

误区以为神经形态芯片像科幻电影里的生物脑，里面长着真正的神经元和突触。

正解Loihi 是纯硅基数字电路，用数学模型（比如 LIF）在数字逻辑上近似生物神经元的行为。它没有生物活性，不会疲劳也不会死亡。水乡是纸上的模型，不是真正的江南水乡；Loihi 是在晶体管里画了一幅简化版的大脑地图。

为何常见：「神经形态」「类脑」这些名词天然带有生物联想，加上媒体渲染，很容易被神秘化。

误区听说 Loihi 支持在线学习，就以为它像新生儿一样从零开始、完全不需要数据和预训练。

正解片上学习是「优化方式」，不等于「无中生有」。任务依然需要外部数据输入、网络拓扑设计和初始权重（可来自 SNN 转换或直接训练）。在线学习的价值在于把「部署后的自适应」从云端搬到本地。水乡邻里关系会随时间自动调整，但道路怎么修、谁和谁住邻居，还是设计者预先安排的。

为何常见：「在线学习」四个字容易让人联想到通用人工智能式的自主学习，忽略了工程实现仍有边界。

误区把 Loihi、光子计算、量子 AI 统统当成同一类「未来黑科技」，以为名字听起来像就是一家人。

正解量子计算利用量子叠加与纠缠来加速特定问题（如组合优化、质因数分解）；神经形态计算模仿大脑脉冲事件处理实时感知与决策；光子计算用光传输数据来降耗提速。它们属于不同物理基础与算法风格，未来可能互补融合，但绝不是同一回事。水乡用的是邻里默契，量子幽灵用的是「同时走遍所有巷子」的玄学步伐。

为何常见：它们都被装进「未来计算范式」这个集体标签里，语境相近、细节不同，容易混淆。

面试题

Q1. Loihi 芯片最显著的计算方式是什么？

单选题 · easy

  • A.全局时钟同步处理
  • B.事件驱动异步处理← 正确答案
  • C.量子叠加并行处理
  • D.光信号逻辑运算

答案：B。Loihi 的核心特征是事件驱动、无全局时钟。A 是传统 CPU 的做法；C 属于量子计算；D 属于光子计算。水乡只在有人敲门时才会活动，这正是 B。

Q2. 下列哪个模型是 Loihi 常用的神经元模型？

单选题 · easy

  • A.感知机模型
  • B.Transformer 模型
  • C.泄漏积分发放 LIF← 正确答案
  • D.Hopfield 网络

答案：C。Loihi 的神经核用 LIF（Leaky Integrate-and-Fire）模型近似数字神经元，输入电流积分到阈值即发放脉冲。感知机、Transformer 属于 ANN 风格模型，Hopfield 是早期联想记忆网络。

Q3. Loihi 第一代芯片集成了多少个神经形态核心？

单选题 · mid

  • A.64 个
  • B.128 个← 正确答案
  • C.256 个
  • D.1024 个

答案：B。Loihi 第一代集成 128 个神经形态核心，每个核心约 1024 个神经元，合计约 13 万神经元。这相当于水乡有 128 个社区，每个社区约 1024 户人家。

Q4. STDP 规则中，当前脉冲先于后脉冲到达时，突触权重通常如何变化？

单选题 · mid

  • A.权重不动
  • B.权重增强← 正确答案
  • C.权重减弱
  • D.权重归零

答案：B。Δt = t_post − t_pre > 0 时，STDP 触发增强项 A₊e^(−Δt/τ₊)。就像水乡里先敲门的邻居会加深关系。权重归零既不科学也无必要。

Q5. 相比传统 CPU，Loihi 能效优势的根本来源是什么？

单选题 · mid

  • A.更高主频
  • B.更小制程
  • C.事件驱动稀疏计算← 正确答案
  • D.更大缓存

答案：C。Loihi 不靠性能参数取胜，而靠「事件发生才消耗能量」的架构特点，活动因子 α 极低。主频、制程、缓存是传统芯片的优化维度，不是 Loihi 的核心武器。

Q6. 关于 Loihi 的片上学习，下列说法正确的是？

单选题 · hard

  • A.需要把梯度传回 CPU 更新
  • B.权重在片内实时更新← 正确答案
  • C.只能处理监督学习
  • D.学习完成后芯片必须重启

答案：B。Loihi 的突触权重通过局部规则（如 STDP、三因子学习）在片内实时更新，无需搬回 CPU。它可用于监督与非监督场景，学习是持续在线过程，不需要重启。

Q7. SNN 脉冲序列中可以编码哪些信息？

多选题 · mid

  • A.脉冲数量← 正确答案
  • B.脉冲时序← 正确答案
  • C.神经元颜色
  • D.群体发放模式← 正确答案

答案：ABD。SNN 的编码维度包括发放率（数量）、精确时序（相对时间）和群体编码模式。神经元颜色没有物理或计算意义，属于干扰项。

Q8. Loihi 与传统冯·诺依曼架构的差异包括？

多选题 · hard

  • A.计算与存储融合← 正确答案
  • B.无全局时钟← 正确答案
  • C.需要指令顺序执行
  • D.依靠事件传递信息← 正确答案

答案：ABD。Loihi 将突触权重和神经元状态存储在计算单元附近，无全局时钟，信息以脉冲事件异步传递。指令顺序执行是传统 CPU 的特征，Loihi 的神经核以并行事件流工作。

Q9. 下列哪些属于 Loihi 的典型应用方向？

多选题 · mid

  • A.气味识别← 正确答案
  • B.机器人控制← 正确答案
  • C.编译器优化
  • D.空间定位导航← 正确答案

答案：ABD。气味识别（电子鼻）、机器人控制、空间定位导航（SLAM）都是 Loihi 的事件流低功耗任务。编译器优化是软件工程方向，不是 Loihi 的直接应用场景。

Q10. Loihi 片上学习最接近下列哪种学习范式？

单选题 · hard

  • A.全局反向传播
  • B.局部可塑性规则← 正确答案
  • C.遗传算法搜索
  • D.数据库查询更新

答案：B。Loihi 的权重更新基于突触前后脉冲时间差等局部信号，属于局部可塑性规则；它与需要全局梯度回传的反向传播有本质区别，也不涉及遗传搜索或数据库系统。