Tianjic芯片：让两种智能住进同一座城市

可视化演示

展示FCore阵列异构融合架构、ANN与SNN统一计算单元、自行车自动驾驶多任务实验及ANN-SNN多范式融合数据流，含星座网络背景动画。

多范式融合

“智能城”的市长面临一个世纪难题：数据派擅长模式识别却能耗高，节拍派天然省电却难以胜任复杂认知。难道永远只能二选一？Tianjic给出的回答是：不要二选一，让两派住进同一个街区。这就是“多范式融合”的初心——它不是在算法层面简单拼接，而是在芯片的硬件骨架上允许两种计算在同一个片上网络中流转。

从技术角度看，Tianjic芯片的核心突破在于“统一核心”（UCC）设计。每个核心都可以被配置成ANN模式或SNN模式：当作ANN用时它做乘加运算，当作SNN用时它做脉冲积分。这种“一种硬件、两种用法”的能力，使得深度学习模型和神经形态模型可以共享同一片片上的存储与路由资源，实现了真正的互补编码——连续值编码与离散脉冲编码并存。

传统芯片之所以难以融合，是因为ANN依赖高精度浮点运算，需要“算得细”；而SNN依赖事件驱动的稀疏计算，需要“反应快”。Tianjic在硬件里同时为两种需求准备了通路，就像一条马路上既容得下轿车（连续值）也容得下自行车（脉冲）。当数据派的统计规律与节拍派的时间节律被放在同一座城市，智能才第一次有了“两条腿走路”的可能。

核心计算单元

走进智能城的任何一个街区，你会发现房屋都是统一的“标准间”——这就是统一核心单元（UCC）。白天，数据派把这里布置成工作室：墙上贴满乘法表，进来一批数字，出去一个加权求和的结果。晚上，节拍派把这里清空成排练厅：鼓手们（脉冲）敲击着不同权重的鼓面，膜电位像水位一样缓缓上涨，涨过阈值就“咚”地敲出一记脉冲。

在ANN模式下，UCC执行的就是经典神经元模型：

除了UCC，Tianjic还配备了专门的FCore（全连接核），用来加速全连接层的计算。如果说UCC是灵活的多功能厅，FCore就是专为“全员大开会”设计的报告厅——只需做密集的加权求和，不需要频繁切换模式。这套“通用+专用”的组合拳，让芯片既有灵活性又有吞吐率。

一座城市如果全是多用途房，效率一定不高；如果全是专用房，又无法应对新需求。Tianjic用UCC与FCore的组合给出了城市规划的答案：标准的街区保证了兼容，专门的地标提升了效率。

众核阵列

智能城一共有128个街区，它们排列成整齐的网格，组成“众核阵列”。每个街区既可以独立工作，也可以和邻居协作。城市不需要一个“中央指挥部”来指挥每个街区干什么——每个核心都自带配置信息，接到任务就地开工。这种去中心化的架构，正是大脑皮层并行处理的硬件镜像。

众核阵列最迷人的特质是稀疏激活。节拍派的SNN核采用事件驱动：没有脉冲到达时，核心几乎不耗电，就像深夜的排练厅空无一人、灯全关着。而数据派的ANN核在处理图像时才会被唤醒，处理完立刻休眠。这带来极高的能效比——这正是类脑芯片超越传统GPU的关键优势之一。

要理解脉冲核的工作方式，就要看SNN膜电位更新的数学表达：

当感知数据进入城市，128个街区被“规划师”（编译工具）根据任务需求分别配置成ANN或SNN模式：识别人脸的路段启用数据派，追踪运动轨迹的路段启用节拍派，所有街区像接力赛一样把中间结果在阵列中传递。这种众核协作让整座城市既能看、也能听、还能算时间。

片上路由

城市有了街区和房屋，还缺一样东西：快递网络。Tianjic芯片的“片上路由”就是连接128个核心的快递系统。数据派算好的特征图、节拍派发出的脉冲，都被打包成“数据包”，在网格状的快递线路上穿梭，从一个核心准确投递到另一个核心。没有这套网络，再强的核心也只是孤岛。

每个数据包的头部都写明了“寄件人地址”和“收件人地址”。路由器（Router）是各个路口的快递分拣员，接收到数据包后看一眼地址，就决定把它送往东、南、西、北哪个方向。Tianjic采用的正是这种逐跳（hop-by-hop）的网格路由策略，路由器只判断“下一步往哪走”，不需要掌握全局路线图，这样既简单又省电。

路由决策的核心是最短路径计算。在网格状的城市里，最短路程就是曼哈顿距离：

片上路由网络让“跨范式通信”成为可能：一个SNN核发出的脉冲包，可以无缝地投递给一个ANN核，后者把脉冲序列累积成连续特征，再投递给下一个SNN核做时序决策。快递网络不是配角，它是让两种范式从“共存”走向“协同”的命脉。

软件编译

城市再宏伟，没有规划师也会乱套。Tianjic的“规划师”是一整套软件工具链：它负责把开发者熟悉的高层神经网络模型，翻译成每个核心能执行的底层指令，并决定哪个街区跑ANN、哪个街区跑SNN。对于使用者来说，整个过程仿佛“自动导航”——你只需要给出任务，编译器自动完成城市资源的分配。

这套工具链的输入端兼容主流深度学习框架（如PyTorch等）：训练好的网络模型被导入后，编译器先进行结构解析，再映射到众核阵列上。它把一个大模型切分成许多小模块，分配到不同的核心上，规划好每个数据包的路由路径，最后生成芯片可执行的二进制程序。这个“应用→映射→编译→运行”的流程，就像总建筑师把城市蓝图分解成一份份给施工队的任务单。

工具链还配套了丰富的基准测试，覆盖图像分类、语音识别、目标检测等多个任务。这意味着Tianjic不是一块“只能跑特定实验的展示品”，而是一个可以承载各类AI应用的通用硬件平台。开发者不必懂硬件细节，就能让数据派和节拍派为自己打工。

从城市角度看，软件编译栈是“看不见的管理者”：市民（核心）只关心自己手里的活，而管理者保证所有活最终拼成一幅完整的城市画卷。没有规划师的融合城市只是乌合之众，有了编译器，融合才成为生产力。

自行车实验

智能城的第一次大考，是一场“城市马拉松”——让一辆自行车骑着走！2022年的天机自行车实验，让一辆搭载了Tianjic芯片的自行车实现了自主绕障、平衡控制、语音交互和实时目标检测，全程完全离线运行，没有任何外接服务器。

这是一场多范式融合的极限测试。自行车行驶时，视觉传感器不断送来图像流——这是数据派的主场，ANN核负责识别前方障碍物和行人；车轮的惯性传感器送出节奏性的运动信号——这是节拍派的秀场，SNN核负责处理时序信息和平衡调节；语音命令则同时调动两派：先由SNN检测“左转”“直行”的语音边界，再交给ANN识别具体语义。

一颗Tianjic芯片，同时处理视觉、语音、平衡、决策四种任务，放在传统架构里需要GPU加MCU加DSP的“豪华组合”，在这里仅凭一座城市就全部完成。行车过程中，数据包在128个核心之间高速流转：图像特征包从ANN核流向融合核，脉冲包从SNN核流向电机控制核，整座城市像一支配合默契的交响乐队。

自行车实验最具象征意义的，不是“它骑得有多稳”，而是证明了：当两种智能范式在同一个硬件平台上无缝协作时，机器第一次拥有了类似人类“眼疾手快”的实时反应能力。这是一枚城市竣工的印章。

AGI意义

为什么要大费周章让数据派和节拍派住在一起？因为在通往通用人工智能（AGI）的路上，人们越来越清楚地看到：单一范式无法完整表达智能。语言理解、图像识别这类“统计认知”是数据派所长；而运动控制、事件预测、时序推理这类“时间认知”是节拍派的绝活。人类大脑从不同尺度的神经活动中涌现出统一智能，说明多范式融合很可能是通向AGI的必经之路。

Tianjic的独特价值在于，它把“多范式融合”从理念变成了可以流片运行的硬件。在此之前，研究者想融合两种范式，只能把两种芯片插在同一块电路板上，通信延迟高、能耗大、协同难。Tianjic把通信搬到片内，消除了“城市之间的长途跋涉”，让范式的协同从“跨国贸易”变成“邻街串门”。

类脑计算为AGI带来了全新启发：大脑并不是把所有信息统一成一种格式来处理，而是由不同类型的神经历时分工协作。Tianjic芯片从硬件层面印证了这种“多样化中求统一”的设计哲学。它也许不是最终的AGI芯片，但它确凿地证明了“通才芯片”可以在硅片上生长出来。

如果说Intel的Loihi芯片是纯SNN路线的先行者，那么Tianjic则是“多范式融合路线”的开拓者。Loihi用一整套脉冲世界去逼近大脑，Tianjic则让脉冲世界和连续世界对话。两条路线一个纯粹、一个包容，共同为AGI铺设了互补的探索路径。

研发历程

智能城并非一夜建成。它出自清华大学施路平团队之手，是“天机”（Tianjic）系列十余年深耕的结晶。2019年，团队在《Nature》杂志发表了题为《Towards artificial general intelligence with hybrid Tianjic chip architecture》的重磅论文，首次向世界展示了一颗同时支持计算机科学和神经科学两种AI方法论的芯片。这颗芯片基于28nm工艺，由156个核心（含FCore）组成的异构众核阵列构成，其后的研究又逐步展示了更丰富的应用场景。

论文发表只是开始。2022年，团队打造的Tianjic自动驾驶自行车成为现象级成果，被国内外媒体广泛报道。这辆自行车向世界证明：类脑芯片不是实验室里的“数字玩具”，它可以真实地骑在马路上，处理突发障碍、理解人类指令、保持动态平衡。此后，团队继续推进芯片的迭代和工具链的完善，让开发者可以更方便地在Tianjic平台上部署AI应用。

Tianjic与Loihi的对比尤其值得玩味。Intel Loihi采用纯脉冲路线，追求极致的神经形态仿真；Tianjic则走融合路线，强调“实用主义”——能用连续值解决的任务就用连续值，需要脉冲时序的任务就用脉冲。两种路线的博弈，正如城市设计中“单一风格历史古城”与“多元融合现代都市”之争。

回望这段历程：从一张论文图纸，到一颗28nm芯片，再到一辆自主骑行的自行车，Tianjic用十年时间走完了“理论—硬件—系统—应用”的全链条探索。这座“两种智能共居”的城市，不是终点，而是AGI城市群的第一块样板间。

AI 应用场景

Python 演示

"""Tianjic混合范式迷你仿真：SNN感知 -> ANN融合 -> SNN决策""" class Core:    """统一核心：可配置为ANN模式或SNN模式"""     def __init__(self, cid, mode):        self.cid = cid        self.mode = mode        self.v = 0.0          # 膜电位        self.threshold = 1.0  # 发放阈值        self.reset_v = 0.0    # 发放后重置电位        self.inbox = []     def ann_forward(self, weights, inputs, bias=0.0):        """ANN模式：加权求和 + 偏置 + ReLU"""        total = sum(w * x for w, x in zip(weights, inputs)) + bias        return max(0.0, total)     def snn_step(self, weights, inputs):        """SNN模式：膜电位积分 + 阈值发放"""        self.v += sum(w * x for w, x in zip(weights, inputs))        if self.v >= self.threshold:            self.v = self.reset_v            return 1.0  # 发放一个脉冲        return 0.0     def send(self, value, target):        """通过路由发送数据包给目标核心"""        target.inbox.append(value)  class Router:    """片上路由：把数据包投递到指定核心"""     def __init__(self, cores):        self.cores = cores     def forward(self, src, dst, value):        self.cores[dst].inbox.append(value)  def robot_decision(distance):    """感知-融合-决策三段式流水线"""    cores = [Core(0, "snn"), Core(1, "ann"), Core(2, "snn")]    router = Router(cores)     # 1) SNN感知核：距离越近脉冲越密集    spike_count = 0    for _ in range(50):        spike_count += cores[0].snn_step([3.0, 0.0],                                         [1.0 / max(distance, 1.0), 0.0])    urgency = spike_count / 50.0  # 归一化脉冲频率     # 2) ANN融合核：综合脉冲频率与连续距离    fused = cores[1].ann_forward([1.5, 0.8],                                 [urgency, 1.0 / max(distance, 1.0)])     # 3) SNN决策核：超过阈值则刹车    braked = cores[2].snn_step([2.5], [fused])    return "刹车" if braked > 0 else "直行"  if __name__ == "__main__":    for d in [5, 20, 60]:        print("障碍距离: %dcm -> %s" % (d, robot_decision(d)))

1. class Core:对应Tianjic的统一核心单元（UCC），同一个类可配置为两种模式。
2. def ann_forward(self, weights, inputs, bias=0.0):ANN模式下的加权求和，即公式 \( y = \sum w_i x_i + b \)，并经过ReLU激活。
3. def snn_step(self, weights, inputs):SNN模式下的膜电位积分，电位超过阈值就发放1个脉冲并重置。
4. target.inbox.append(value)模拟片上路由把数据包投递到目标核心的收件箱。
5. class Router:对应Tianjic的片上路由网络，负责跨核心的数据传递。
6. spike_count += cores[0].snn_step([3.0, 0.0], [1.0 / max(distance, 1.0), 0.0])距离越近单次充电越高，累积脉冲数越多，体现“越危险越频繁报警”。
7. cores[1].ann_forward([1.5, 0.8], [urgency, 1.0 / max(distance, 1.0)])ANN融合核同时参考“脉冲频率”与“连续距离”，取长补短。
8. cores[2].snn_step([2.5], [fused])最终决策核用脉冲阈值判断是否刹车。

常见误区

面试题