有一支叫“夜风”的爵士乐队，平时最怕的不是演出，而是改曲子。每次演出录完像，都要把录音带回录音棚，请制作人逐段分析、重新编谱，一个星期后把新谱子送回来。这一周里，现场如果出了配合问题，谁也没法当场解决。今天故事的主角——Intel的Loihi芯片——却走了另一条路：它把“制作人”直接塞进了每个乐手的耳返里。每个乐手（神经元）都配了一个现场纠错装置（可塑性处理器），听到自己抢拍就立刻收一收，听到别人起音就加强配合。整个过程不需要把录音搬出舞台，不需要等任何外部指令。这就是“片上学习”（on-chip learning）：突触权重（乐手之间的配合强度）在芯片内部、根据脉冲的先后时序、毫秒级实时更新。读完这篇文章，你会看懂这支“乐队”的舞台布局（芯片架构）、每个人的耳返（可塑性处理器）、现场默契的规则（STDP），以及为什么有些曲子适合现场即兴，有些还是得回录音棚。

岗位关联

理解Loihi片上学习的硬件逻辑与STDP规则，能帮你判断神经形态芯片适合解决哪类实时、低功耗、隐私敏感的问题，是类脑计算与边缘智能方向的关键认知。

目录
  1. 可视化演示
  2. 什么是片上学习：从录音棚到现场耳返
  3. Loihi芯片架构：声部小组的舞台布局
  4. 可塑性处理器：每位乐手的实时耳返
  5. STDP学习规则：谁起音谁跟上的默契
  6. 片上学习流程：一首曲子的现场排练
  7. 性能与挑战：即兴的边界在哪里
  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神经形态核心脉冲传递、STDP突触可塑性权重更新，以及片上学习与云端反向传播训练的本质差异。

本节配有交互动效（进入视口后自动加载，约 3KB）。

Loihi架构与脉冲传递 128个神经形态核心事件驱动 LIF: V_m += I_syn 脉冲离散传递低功耗

什么是片上学习：从录音棚到现场耳返

“夜风”爵士乐队有个烦恼：每次巡演都要把录音送回录音棚，制作人分析一周，再寄回新谱子。这一周里，现场若有人抢拍或漏拍，谁也没法马上解决——错误会一直持续到新谱子到达。这是绝大多数AI系统今天的真实写照：训练数据被送进云端GPU，反复的前向传播和反向传播更新出新的权重，再把权重下载回设备。这个过程以小时甚至天计，还伴随着巨大的通信能耗和隐私风险。当环境在毫秒级变化（比如机械手打滑、心跳异常）时，“一周后的新谱子”根本来不及。

片上学习（on-chip learning）的思路是：让“学习”这件事发生在芯片内部。Loihi把突触权重的更新交给芯片里的专用硬件，更新规则只依赖局部信息——某个突触两端神经元的脉冲时刻和当前权重——不需要把任何数据送出芯片，也不需要全局损失函数。这个过程是毫秒级、事件驱动且持续进行的。对“夜风”乐队而言，这就是给每个乐手塞一只实时耳返：不用等制作人，自己听见、自己修正。对AI而言，这意味着模型在部署之后仍然在“生长”，而不是出厂即封存。

Δwij=η⋅g(tipre,tjpost,wij)\displaystyle \Delta w_{ij} = \eta \cdot g(t_{i}^{\text{pre}}, t_{j}^{\text{post}}, w_{ij})
权重更新量只由突触前脉冲时刻、突触后脉冲时刻和当前权重决定，没有全局信息参与——这是“片上”二字成立的根本前提。
  1. 权重变化量Δw_ij 表示第 j 个神经元接收来自第 i 个神经元的突触连接被调整的幅度，正值为增强、负值为抑制，就像乐手之间配合默契度的增减量。
    Δwij\displaystyle \Delta w_{ij}
  2. 学习率η 是每次调整的步长，决定“耳返纠错”的力度。步长太大会越来越飘，太小则迟迟跟不上。
    η\displaystyle \eta
  3. 局部函数g 只依赖突触前脉冲时刻、突触后脉冲时刻和当前权重这三个局部变量，不依赖任何全局信息——这正是“片上”二字的含义。
    g(tipre,tjpost,wij)\displaystyle g(t_{i}^{\text{pre}}, t_{j}^{\text{post}}, w_{ij})

Loihi芯片架构：声部小组的舞台布局

一支乐队不会挤在同一个角落：铜管组、木管组、节奏组各占一块小舞台，组内紧密配合，组间靠眼神和手势交流。Loihi 的架构正是如此。Loihi 是 Intel 于 2018 年发布的神经形态研究芯片，包含 128 个神经形态核（neuromorphic core），每个核里有 1024 个脉冲神经元，总共约 13 万个神经元和 1.3 亿个突触。与传统冯诺依曼架构“内存与计算分离”不同，Loihi 把两者焊在一起：每个核内部既保存神经元状态，又保存突触权重，核与核之间通过片上网络（NoC）传递脉冲消息。

神经元的数学模型是经典的“泄漏-整合-发放”（LIF）：输入脉冲按突触权重加权后累加到膜电位上，膜电位随时间不断泄漏衰减，一旦超过阈值就发放一个输出脉冲，然后复位。计算是事件驱动的：没有脉冲到达时，电路几乎不工作也不耗电，就像乐队里没人演奏时，乐手们安静地待在各自的小舞台角落。

这样的舞台布局让“现场学习”成为可能：声部组各自为政却又协同作战，谁也不用绕路去别的舞台取谱子。而真正执行“纠错”的硬件，就是下一节的主角。

Vj(t+1)=Vj(t)+∑iwijSi(t)−λVj(t),Vj>θ⇒fire\displaystyle V_{j}(t+1) = V_{j}(t) + \sum_{i} w_{ij} S_{i}(t) - \lambda V_{j}(t), \quad V_{j} > \theta \Rightarrow \text{fire}
LIF 神经元是 Loihi 的基本计算单元：像“接球”一样累积输入、像“漏水”一样遗忘、像“开闸”一样发放脉冲。
  1. 膜电位更新V_j(t+1) 是神经元 j 在下一时刻的膜电位，数值越大代表“快按捺不住要发声”。
    Vj(t+1)\displaystyle V_{j}(t+1)
  2. 输入脉冲求和所有连接进来的前神经元 i 若在本时刻发放脉冲（S_i(t)=1），就按权重 w_ij 把电位往上推。
    ∑iwijSi(t)\displaystyle \sum_{i} w_{ij} S_{i}(t)
  3. 泄漏项−λV_j(t) 让膜电位按比例自然衰减，就像乐手的记忆会随时间变淡。
    −λVj(t)\displaystyle -\lambda V_{j}(t)
  4. 发放判据一旦膜电位超过阈值 θ，神经元立即发放一个脉冲并复位，随后继续接收下一轮输入。
    Vj>θ⇒fire\displaystyle V_{j} > \theta \Rightarrow \text{fire}

可塑性处理器：每位乐手的实时耳返

有了舞台和乐手，还差纠正机制。传统做法是等制作人回录音棚改谱；Loihi 的做法是给每个声部组配一个专用的“耳返硬件”——可塑性处理器（plasticity processor）。它集成在每个神经形态核内部，与神经元阵列并行工作：持续监视本核里的脉冲事件，一旦发现某条突触两端的神经元先后发放，就立刻按学习规则计算权重增量，并把 9bit 的突触权重就地改写。整个过程不需要外部干预，也不需要全局同步时钟。

Loihi 的片上学习规则不止一种：纯局部的 STDP；三因子规则（在 STDP 基础上加入奖励或调制信号，适合强化学习类任务）；以及可配置的学习率、时间常数。权重的 9bit 定点表示让更新只需要整数运算，硬件极其精简，这是它能耗远低于通用处理器的重要原因。与在主机上每轮同步一次权重的做法相比，这种“就地更新”省去了最昂贵的通信开销。

耳返不重新编曲，只在当下把这一处配合调对——可塑性处理器不重算整个网络，只更新被脉冲事件“点名”的那条突触。

Δwij=η⋅M(t)⋅f(tipre,tjpost)\displaystyle \Delta w_{ij} = \eta \cdot M(t) \cdot f(t_{i}^{\text{pre}}, t_{j}^{\text{post}})
三因子规则是 STDP 的“升级版”：在局部时序因子的基础上，再叠加一个奖励调制信号 M(t)，使芯片不仅能学关联，还能学“该不该强化”。
  1. 调制信号M(t) 是学习瞬间的奖励或调制信号，相当于指挥对某个声部的“特别提示”，有提示才大改，没提示只微调。
    M(t)\displaystyle M(t)
  2. 局部时序因子f 由该突触两端的脉冲时刻计算，例如 STDP 的指数窗口，决定这次配合该增还是该减。
    f(tipre,tjpost)\displaystyle f(t_{i}^{\text{pre}}, t_{j}^{\text{post}})
  3. 三者相乘学习率、调制信号、时序因子相乘得到最终的权重更新量。三者都是局部或当前时刻可得的信息，因此可以在硬件里就地完成。
    Δwij=η⋅M(t)⋅f(tipre,tjpost)\displaystyle \Delta w_{ij} = \eta \cdot M(t) \cdot f(t_{i}^{\text{pre}}, t_{j}^{\text{post}})

STDP学习规则：谁起音谁跟上的默契

即兴乐队最重要的默契规则只有一条：别人先起音，你立刻跟上，这段配合会变牢；如果你抢拍了，这段配合会被削弱。谁先谁后，决定一切。这条规则在神经科学里叫 STDP（Spike-Timing Dependent Plasticity，脉冲时序依赖可塑性）。记 Δt = t_post − t_pre：若突触前神经元先发放（Δt > 0），突触增强（长时程增强）；若突触后神经元先发放（Δt < 0），突触减弱（长时程抑制）。

更精细的是，增强或减弱的幅度随间隔时间指数衰减——间隔越久，影响越小，有效窗口只有几十毫秒。STDP 是 Loihi 可塑性处理器最重要的基础规则，也是片上学习“局部性”的典范：计算 Δw 只需要两个时刻值，不需要全局梯度。可视化演示中的绿色和红色曲线，画的就是这条“默契涨跌曲线”。

一场演出下来，配合好的地方自然变牢，抢拍的地方自然被修正——默契不是写在谱子上，而是长在演奏里。STDP 就是这段“长在演奏里”的化学过程。

Δw(Δt)={A+e−Δt/τ+,Δt>0−A−eΔt/τ−,Δt<0Δt=tpost−tpre\displaystyle \Delta w(\Delta t)=\begin{cases}\displaystyle A_{+} e^{-\Delta t / \tau_{+}}, & \Delta t > 0\\[6pt]\displaystyle -A_{-} e^{\Delta t / \tau_{-}}, & \Delta t < 0\end{cases}\qquad \Delta t = t_{\text{post}} - t_{\text{pre}}
时序差的正负决定权重增减方向，间隔大小决定增减幅度，两个指数衰减项让“现场纠错”集中发生在毫秒级窗口内。
  1. 时序差Δt 是后神经元发放时刻减前神经元发放时刻，正负号决定这条突触是被增强还是被抑制。
    Δt=tpost−tpre\displaystyle \Delta t = t_{\text{post}} - t_{\text{pre}}
  2. 增强分支Δt > 0（前先于后）时，权重按指数衰减的幅度增加，A₊ 是最大增量，间隔越远增量越小。
    A+e−Δt/τ+\displaystyle A_{+} e^{-\Delta t / \tau_{+}}
  3. 抑制分支Δt < 0（后先于前）时，权重按指数衰减的幅度减小，A₋ 是最大减量。
    −A−eΔt/τ−\displaystyle -A_{-} e^{\Delta t / \tau_{-}}
  4. 时间常数τ₊ 与 τ₋ 控制窗口宽度，通常在毫秒量级，决定了“默契”的有效保鲜期。
    τ+,τ−\displaystyle \tau_{+}, \tau_{-}

片上学习流程：一首曲子的现场排练

夜风乐队排练新曲目有一套固定流程：音符进来、乐手接住、耳返判断时点、当场微调、一遍遍下来越来越默契。Loihi 的片上学习也是同样的节奏。完整流程分五步：第一步是输入编码，外部信号（图像、声音、触觉）先转换为脉冲序列；第二步是脉冲传播，脉冲沿突触传递，在突触后神经元累积膜电位；第三步是发放，膜电位超过阈值，神经元发出脉冲；第四步是局部更新，可塑性处理器记录前后神经元发放时刻，按规则计算 Δw 并就地更新；第五步是收敛，重复多轮后输出模式趋于稳定。

硬件实现上，Loihi 用“迹”（trace）实现 STDP：每个前神经元维护一个指数衰减的变量 x，每次自身发放时加 1，否则随时间衰减；当后神经元发放那一瞬间，直接读取 x 的值作为权重增量。这样硬件只需要做一次读、一次加、一次写，不需要存储历史脉冲序列——这正是可塑性处理器能做到极低功耗的原因。

排练结束，乐手不用把录音带回家改谱子——默契已经写进了手里的“手感”。学习，在芯片上当场完成。

xi(t)=xi(t−1)e−1/τ++Si(t),Δwij=η+ xi(tjpost)\displaystyle x_{i}(t) = x_{i}(t-1) e^{-1 / \tau_{+}} + S_{i}(t), \qquad \Delta w_{ij} = \eta_{+}\, x_{i}(t_{j}^{\text{post}})
迹用一个变量浓缩了“最近有没有发过脉冲”的全部历史，后神经元一发放就按当前迹值更新权重，硬件实现极其轻量。
  1. 迹的衰减前神经元 i 的迹每时刻乘以 e^(−1/τ₊)，代表“记忆”随时间指数淡忘。
    xi(t−1)e−1/τ+\displaystyle x_{i}(t-1) e^{-1 / \tau_{+}}
  2. 发放时加一前神经元 i 每次发放脉冲（S_i(t)=1）时，迹被重新拉高，表示“刚刚它出过声”。
    xi(t)=xi(t−1)e−1/τ++Si(t)\displaystyle x_{i}(t) = x_{i}(t-1) e^{-1 / \tau_{+}} + S_{i}(t)
  3. 后发放时读取后神经元 j 发放的瞬间，可塑性处理器直接读取当前的迹值乘以学习率作为权重增量，硬件只需一次乘加。
    Δwij=η+ xi(tjpost)\displaystyle \Delta w_{ij} = \eta_{+}\, x_{i}(t_{j}^{\text{post}})

性能与挑战：即兴的边界在哪里

即兴现场的优势很明显：反应快、不跑录音棚、独门绝技不外传；但局限也真实：没有总谱的大交响乐，还得靠指挥和制作人。数据搬运是深度学习的第一能耗大户，片上学习把权重和数据牢牢焊在芯片内部，通信能耗趋近于零；Loihi 在部分稀疏编码任务上，能效比相比传统 CPU 可提升一到两个数量级。同时，权重当场更新带来毫秒级实时自适应，数据不出芯片带来天然隐私保护。这就是它适合机械手、气味识别、穿戴设备等边缘场景的原因。

再说挑战。第一，突触权重只有 9bit 且无浮点运算，难以承载对精度要求极高的超大网络；第二，局部学习规则没有全局损失函数，面对需要全局优化的任务（如大规模图像分类）精度仍不如 GPU；第三，工具链和调试生态远不如 PyTorch/CUDA 成熟。因此，更务实的路线是混合方案：GPU 做离线大规模预训练，Loihi 做部署后的在线微调。

就像爵士乐队最适合深夜小舞台，Loihi 最适合毫秒级、低功耗、隐私敏感的边缘场景；而大型交响乐，还是留给录音棚和指挥。理解这条边界，才算真正理解片上学习的价值。

Etotal=Ecompute+Ecomm\displaystyle E_{\text{total}} = E_{\text{compute}} + E_{\text{comm}}
总能耗由计算能耗和通信能耗构成，而数据搬运（通信）在传统训练中往往占大头；片上学习让通信项趋近于零，是它节能的根本原因。
  1. 总能耗一次学习或推理任务的总能量开销，由计算和通信两部分构成。
    Etotal\displaystyle E_{\text{total}}
  2. 计算能耗真正执行乘加、比较等运算消耗的能量，通常在芯片内部完成。
    Ecompute\displaystyle E_{\text{compute}}
  3. 通信能耗数据、权重、梯度在芯片内外搬移消耗的能量。传统训练中这一项往往占总能耗大头，片上学习让它趋近于零。
    Ecomm\displaystyle E_{\text{comm}}

AI 应用场景

机器人的实时触觉自适应抓取

阶段：模型部署与在线微调

解决的问题：传统抓取策略在云端用海量数据训练，部署到机器人后遇到新物体（材质、形状变化）无法实时调整，一次抓取失败要等云端重训再回传，几十毫秒的抓持窗口根本等不起。Loihi 的片上学习让机械手指的触觉脉冲直接驱动突触权重就地更新，一旦打滑，传感器脉冲当场修正抓持力，无需联网。

具体案例：某实验室用 Loihi 控制机械手抓取不同硬度的水果，训练阶段只给少量示范，部署后芯片在毫秒级根据触觉脉冲序列在线调整抓取模式，显著减少捏碎或滑落。这就像乐手用耳返在演奏中当场改掉抢拍的习惯，而不是等制作人下星期寄新谱。

智能气味识别的“闻一次就记住”

阶段：数据流上的持续学习

解决的问题：传统气体传感器识别新气味，需采集大量样本回传云端训练，周期长且样本难获取。Loihi 的 STDP 片上学习支持“一次曝光学习”：新气味出现时，传感器脉冲流在芯片内形成新的突触模式，样本刚出现就能识别，并保持对原有气味的记忆。

具体案例：Intel 与亚利桑那州立大学合作的类脑气味识别演示中，Loihi 仅需一份气味样本就能学会识别该气味，且功耗远低于 GPU 方案。这相当于乐队第一次听一段新旋律就能立刻融入即兴，而不是回录音棚练一周。

隐私敏感的穿戴设备个性化

阶段：端侧持续个性化

解决的问题：智能手表的心律、睡眠模型若在云端训练，原始生理数据必须上传，隐私风险高且有网络依赖。片上学习让模型在设备内利用用户的真实生理脉冲序列持续更新，数据从头到尾不出设备。

具体案例：穿戴设备厂商把预训练模型下载到 Loihi 芯片后，芯片根据佩戴者心电脉冲流在睡眠中持续微调，每个用户的模型都不同且只属于自己。这就像每支乐队把“独家默契”锁在自家排练室，从不外传。

Python 演示

python35 行
import numpy as np class PlasticityProcessor:    """Loihi可塑性处理器的简化模拟: 按STDP局部规则更新突触权重"""     def __init__(self, n=3, learning_rate=0.05, tau_plus=1.5, tau_minus=1.5):        self.w = np.full((n, n), 0.5)      # 突触权重矩阵, 模拟9bit量级的0到1区间        self.lr = learning_rate        self.tau_plus = tau_plus        self.tau_minus = tau_minus     def stdp_update(self, pre, post, dt):        """dt = t_post - t_pre, dt大于0表示pre先放电, 应增强"""        if dt > 0:            dw = self.lr * np.exp(-dt / self.tau_plus)        else:            dw = -self.lr * np.exp(dt / self.tau_minus)        self.w[pre][post] = float(np.clip(self.w[pre][post] + dw, 0.0, 1.0))        return dw     def batch_update(self, events):        """events是(pre, post, dt)三元组列表, 全部在本地完成, 无需云端"""        for pre, post, dt in events:            dw = self.stdp_update(pre, post, dt)            print("pre=%d post=%d dt=%+4.1f dw=%+6.4f w=%.4f" %                  (pre, post, dt, dw, self.w[pre][post]))  if __name__ == "__main__":    pp = PlasticityProcessor()    print("===== 因果顺序: 0先放电, 1后放电, 权重增强 =====")    pp.batch_update([(0, 1, 1.0), (0, 1, 2.0), (0, 1, 3.0)])    print("===== 反向顺序: 1先放电, 0后放电, 权重抑制 =====")    pp.batch_update([(0, 1, -1.0), (0, 1, -2.0)])    print("最终 W[0][1] = %.4f" % pp.w[0][1])
目的：用约60行 Python 模拟 Loihi 可塑性处理器最核心的 STDP 局部更新逻辑：给定一对脉冲时刻，就地计算权重增量并更新，不需要任何全局梯度或云端通信。
  1. self.w = np.full((n, n), 0.5)初始化突触权重矩阵，每个元素代表一条突触的初始强度，对应 Loihi 片上存储的 9bit 权重。
  2. def stdp_update(self, pre, post, dt)一次脉冲事件触发的局部更新入口，只用到两个神经元的身份和时序差。
  3. dw = self.lr * np.exp(-dt / self.tau_plus)前神经元先放电时按指数窗口增强，间隔越大增量越小。
  4. dw = -self.lr * np.exp(dt / self.tau_minus)后神经元先放电时按指数窗口抑制，对应 STDP 的抑制分支。
  5. np.clip(self.w[pre][post] + dw, 0.0, 1.0)权重更新后被钳制在 0 到 1 之间，模拟片上权重的有界存储。
  6. pp.batch_update([(0, 1, 1.0), (0, 1, 2.0), (0, 1, 3.0)])用三对因果脉冲演示增强：0 总是先放电，1 总是后放电。

常见误区

误区我觉得 Loihi 就是一块能装进手机的小 GPU，片上学习就是在里面跑和 PyTorch 一样的梯度下降，只是场地换了一下。

正解Loihi 里没有全局损失函数，也没有反向传播所需的梯度回传通道。它的可塑性处理器执行的是像 STDP 这样的局部规则：更新某条突触只看它两端神经元的脉冲时序，不需要任何全局信息。可以把它理解成乐手靠耳返当场纠错，而不是把整场演出交给制作人重新合成。

为何常见：我们对 AI 训练的认知几乎都来自 GPU 加反向传播，容易把“学习”直接等同于梯度下降，忽略了神经形态芯片在原理层面就完全不同。

误区我听过的 Hebb 定律说同时激活的神经元会加强连接，所以 STDP 就是换个名字的 Hebb 定律，只要两个神经元一起放电就增强。

正解STDP 比“同时”精细得多：它看的是“谁先谁后、间隔多久”。前神经元先放电、后神经元随后放电（因果顺序）→ 增强；反过来（后神经元先放电）→ 抑制。恰好同时发生时权重几乎不变。这就像乐队配合：“你起音我跟上”会变默契，但“我起音你抢拍”会被削弱。

为何常见：教科书常把 Hebb 定律概括成"fire together wire together"，简化表述丢失了时间顺序这一最关键的信息。

误区既然芯片能自己学习，那是不是不用任何预训练，买回来插上电就能自动学会干任何活？

正解片上学习解决的是“部署之后的就地微调与持续适应”，不是“从零习得一切”。网络结构、初始权重、学习率、时间常数等仍然需要离线设计或预训练。Loihi 也支持先在大规模仿真或 GPU 上预训练，再把初始权重加载进芯片做片上微调。这相当于乐队新成员总要先会基本乐器，才能谈现场即兴。

为何常见：“片上学习”这个词容易让人误以为学习全在芯片内完成，忽略了初始化和配置的前置环节。

误区Loihi 又省电又能实时学习，那岂不是全面碾压 GPU，所有深度学习任务都应该换到 Loihi 上？

正解Loihi 的突触权重只有 9bit 精度，没有浮点运算，局部学习规则不擅长需要全局优化的任务（如 ImageNet 级图像分类）。它的优势集中在稀疏、事件驱动、实时、低功耗的场景。更务实的做法是混合方案：大规模离线训练用 GPU，部署后的在线自适应交给 Loihi。就像现场即兴爵士再精彩，排演大型交响乐还是需要指挥和总谱。

为何常见：宣传材料突出“能效比高 X 倍”时，往往省略了任务类型和精度代价，读者容易以偏概全。

面试题

Q1. Loihi的“片上学习”最核心的特点是？

单选题 · easy

  • A.把数据搬到云端进行训练
  • B.权重在芯片内部就地更新← 正确答案
  • C.只做推理而完全不做训练
  • D.用GPU加速反向传播算法

答案：B。片上学习的关键是突触权重由芯片内的可塑性处理器根据局部脉冲事件直接更新，不需要把数据搬出芯片。A 和 D 描述的是传统云端训练，C 完全否认训练，都与 Loihi 的设计背道而驰。就像乐手用耳返当场纠错，而不是把录音送回录音棚。

Q2. 按照STDP规则，突触前神经元先放电、突触后神经元随后放电，突触权重通常会？

单选题 · easy

  • A.完全保持不变
  • B.受到明显抑制
  • C.得到明显增强← 正确答案
  • D.被强制清零

答案：C。Δt = t_post − t_pre > 0 时 STDP 取增强分支，权重上升。这正是“你起音我跟上→配合变默契”的因果逻辑。B 是反向顺序（后先放）的结果，D 是不存在的重置操作，A 与 STDP 的基本结论相悖。

Q3. Loihi芯片的基本计算单元是？

单选题 · easy

  • A.传统晶体管门电路
  • B.脉冲神经元与突触← 正确答案
  • C.可编程逻辑门阵列
  • D.云端数据中心集群

答案：B。Loihi 不是冯诺依曼结构，基本单元是脉冲神经元（每核 1024 个），通过突触连接传递离散脉冲。晶体管是物理基础而非计算抽象，逻辑门阵列是 FPGA 的概念，集群属于云端方案。就像乐队的最小单位是乐手而不是乐器零件。

Q4. Loihi每个神经形态核旁集成的“可塑性处理器”主要职责是？

单选题 · mid

  • A.将脉冲数据压缩后上传云端
  • B.按局部学习规则就地更新突触权重← 正确答案
  • C.管理芯片的电源供给和散热
  • D.缓存外部传感器的原始图像

答案：B。可塑性处理器是 Loihi 片上学习的关键硬件：它观测本核脉冲事件，计算 STDP 或三因子规则的 Δw 并就地更新 9bit 权重。A 违背片上学习原则，C 是电源管理单元的职责，D 是传统内存的职责。

Q5. 片上学习相比云端训练最大的能耗收益来自？

单选题 · mid

  • A.使用了容量更大的电池
  • B.避免了权重和数据的反复搬运← 正确答案
  • C.芯片的时钟频率降得更低
  • D.把所有计算都改成了模拟电路

答案：B。深度学习训练中，权重、梯度、激活值在存储与计算单元间反复搬运消耗的能量往往远超计算本身。片上学习在芯片内局部更新，通信能耗趋近于零，这正是 E_total = E_compute + E_comm 中 E_comm → 0 的含义。

Q6. Loihi可塑性处理器支持的片上学习规则包括？

多选题 · mid

  • A.脉冲时序依赖可塑性← 正确答案
  • B.奖励调制的三因子学习← 正确答案
  • C.全局反向传播算法
  • D.高精度浮点梯度下降

答案：AB。Loihi 支持纯局部规则（如 STDP）和带调制信号的三因子规则（适用于类强化学习）。它没有全局损失函数和反向传播路径，也不做浮点计算，因此 C 和 D 无法在片上实现。就像耳返只能帮你纠正这一处的配合，不能重写整部交响乐的总谱。

Q7. 关于STDP时序窗口，正确的说法是？

单选题 · mid

  • A.时序差越大增强效果越强
  • B.每次学习的窗口长度完全相同
  • C.毫秒级时序差决定权重增减方向← 正确答案
  • D.窗口由外部云服务器动态指定

答案：C。STDP 的有效窗口是毫秒量级，前/后神经元的放电顺序（Δt 的正负）决定增强还是抑制。A 说反了（指数衰减，间隔越大变化越小），B 忽略 τ₊/τ₋ 可配置，D 与片上学习原则相矛盾。

Q8. 与GPU云端训练相比，Loihi片上学习的优势包括？

多选题 · hard

  • A.毫秒级实时自适应能力← 正确答案
  • B.原始数据不离开芯片← 正确答案
  • C.任意精度模型的训练
  • D.稀疏事件驱动带来的低功耗← 正确答案

答案：ABD。片上学习权重当场更新，无网络往返，因此延迟低；学习过程不搬运数据，隐私好；事件驱动且脉冲稀疏，大部分时间电路休眠所以功耗低。C 错误：9bit 固定精度无法支持任意精度模型的训练。

Q9. Loihi采用9bit突触权重，这带来的主要限制是？

单选题 · hard

  • A.难以承载高精度浮点网络← 正确答案
  • B.芯片面积必然大幅缩小
  • C.完全无法运行任何AI任务
  • D.学习只能依赖云服务器完成

答案：A。9bit 整数权重意味着精度有限，大型高精度模型难以在片上无损运行，这是 Loihi 的典型代价。B 是特性而非限制且因果颠倒，C 过于绝对，D 与片上学习的定位相悖。

Q10. 关于Loihi片上学习的一次完整处理流程，正确的描述是？

多选题 · extreme

  • A.外部输入先编码为脉冲序列← 正确答案
  • B.脉冲沿突触传播并累积电位← 正确答案
  • C.发放事件触发局部权重更新← 正确答案
  • D.权重更新依赖全局损失函数

答案：ABC。片上学习流程是：输入编码→脉冲传播（膜电位积分）→超过阈值发放→可塑性处理器按 STDP 就地更新。D 是 GPU 反向传播的特征，Loihi 不存在全局损失函数，这也正是它能现场纠错的根本原因。