BrainChip发布Akida神经形态开发套件，赋能边缘AI

领先神经形态计算IP提供商BrainChip在近期Linley秋季处理器大会上推出两款搭载Akida神经形态SoC的开发套件。套件提供x86 Shuttle PC和基于Arm的树莓派两种形式，为开发者提供即用型平台构建和测试脉冲神经网络（SNN）应用。Akida硅片也可集成至自定义设计。

Akida神经形态架构优势

Akida神经形态架构通过模仿大脑事件驱动处理实现超低功耗AI。区别于传统深度学习模型，SNN通过编码空间模式和时间序列的离散脉冲传递信息。这种事件域理想适配需从传感器流实时、功耗敏感推理的边缘设备。

除原生SNN工作负载，BrainChip神经处理单元（NPU）经MetaTF软件流转换后也可执行卷积神经网络（CNN）。转换保留CNN特征提取能力，同时通过脉冲时序依赖可塑性实现片上学习——消除云端重训练需求。

BrainChip开发板提供x86 Shuttle PC或树莓派版本。（来源：BrainChip）

“Akida为明天神经形态技术就绪，但已解决当今边缘AI挑战，”BrainChip联合创始人兼首席开发官Anil Mankar对EE Times表示，“我们的运行时软件消除SNN和事件域学习曲线，让熟悉TensorFlow或Keras的开发者能移植模型并直接在硬件上评估功耗和精度。”

Mankar解释CNN擅长从大数据集提取特征。将CNN层转为基于事件操作（除最终分类层），Akida保留此能力并添加脉冲时序学习。原生SNN可用1位精度，转换CNN通常用1/2/4位脉冲。BrainChip量化工具帮助设计者按层选合适位宽。例：MobileNet V1量化至4位在10分类任务达93.1%准确率。

转事件域因稀疏性显著省电。事件域中仅非零激活值产生脉冲，NPU仅处理这些事件。典型CNN经ReLU后约半数激活为零，事件域实现大幅减少MAC运算，降低功耗。

卷积、逐点卷积、深度可分离卷积、最大池化、全局平均池化均可转事件域。下图展示目标分类任务MAC运算减少：深蓝为传统CNN，浅蓝为事件域Akida实现，绿为进一步活动正则化后事件域。

目标分类推理所需MAC运算（深蓝=非事件域CNN，浅蓝=事件域/Akida，绿=事件域+活动正则化）。来源：BrainChip

实测基准：4位量化后关键词识别模型在Akida板上每推理仅耗37µJ（等效27,336次推理/秒/瓦），5MHz时钟下达91.3%准确率。

传感器无关性

BrainChip NPU IP和Akida芯片网络无关，支持广泛传感器。无论处理图像、音频、嗅觉、味觉、触觉数据，同一硬件均可处理CNN（经转换）和原生SNN。

每NPU节点含100kB本地SRAM存参数、激活和事件缓冲，最多四节点可组网状集群。跨节点网络层间直接通信无需CPU干预，虽某些非CNN工作负载仍需CPU支持。IP可扩展至20节点，使大模型在小硬件上多遍运行。

四BrainChip NPU节点通过网状网络连接。（来源：BrainChip）

演示视频展示Akida车载舱应用：单芯片同时检测驾驶员、识别驾驶员人脸、识别其语音。关键词识别仅600µW，人脸识别22mW，视觉唤醒词推理6-8mW——展示芯片适配汽车边缘AI。

BrainChip全球销售VP Rob Telson指出，Akida 28nm台积电工艺提供强基线，IP客户可迁移更精细节点获更高能效。他还强调人脸识别片上学习：最终层神经元足够时，系统可从识别10张脸一镜到底增长至50张以上，消除云依赖。

早期访问客户

BrainChip在Aliso Viejo总部、图卢兹、海得拉巴、珀斯设计办公室雇佣55名员工。持有14项专利，在澳交所上市，美OTC市场挂牌。

早期访问客户含NASA、汽车、军工、航天、医疗（如嗅觉COVID-19检测）、消费电子公司。瑞萨已许可2节点Akida NPU IP，集成至面向IoT部署传感器数据分析的未来MCU单元。

Akida IP和硅片现已可用。

>> 本文最初发表于我们的姊妹网站EE Times。

相关内容：

• 初创公司将1000 RISC-V核心装入AI加速器芯片
• AI芯片瞄准低功耗边缘设备
• AI赋能SoC处理多路视频流
• 利用CPU特性与扩展构建AI SoC安全
• 单片机架构为AI演进

订阅Embedded周报，获取更多嵌入式内容。