人工智能公司Polyn 科技基于其專有的神經形態模擬信號處理（NASP）平臺，完成了首款模擬信號處理芯片的流片，這標志著其在神經形態計算領域達到了一個決定性的里程碑。

Polyn 公司的 NASP 芯片是一款模擬神經形態處理器，能夠在傳感器端直接實現超低功耗的實時信號處理。

Polyn 的第一款流片芯片利用模擬神經形態內核進行語音處理應用。

Polyn 的首款流片芯片利用模擬神經形態核心實現語音處理應用。這款芯片專為邊緣端全天候傳感器智能而設計，旨在以生物效率處理真實世界信號，在功耗、延遲和嵌入式 AI 適應性方面突破了 TinyML 的極限。

數字感知的模擬大腦

Polyn 創新的核心是 NASP，這是一種混合模數架構，模仿生物神經元的分布式、超并行運作模式。通過由運算放大器和可編程電阻組成的模擬電路，該系統可對傳感器數據進行本地推理，無需在預處理階段對信號進行數字化處理或依賴中央 CPU。

傳統傳感器數據處理與神經形態前端數據處理對比。

Polyn 構建了新流片的芯片來運行語音活動檢測 （VAD） 模型，這是一項需要微秒級延遲和微瓦級功耗的邊緣 AI 任務。NASP 前端不是將連續的原始音頻流式傳輸到數字處理器或云服務器，而是過濾和壓縮輸入，僅輸出通知更高級別處理的關鍵嵌入（從信號模式中提取的抽象特征向量）。

這種前端智能不僅僅是壓縮：更實現了“解讀” 功能。通過模仿人類感官系統僅向大腦傳遞有意義脈沖的機制，NASP 使邊緣系統能夠以傳統架構難以企及的速度和效率做出反應。

TinyML 的混合模型

NASP 平臺分為兩個概念模塊：

固定部分：以硬連線模擬電路實現，負責從原始傳感器數據中提取嵌入特征。這部分在流片時蝕刻，作為專用特征提取器。

靈活部分：以標準數字邏輯或低功耗微控制器實現，基于嵌入特征執行分類或解讀。

這種混合模型在硬件中體現了遷移學習理念。開發人員只需對模型的靈活部分進行再訓練和調整，在部署類似工作負載的變體時，可顯著縮短設計周期并降低芯片復雜度。例如，用于步態識別的加速度計信號只需通過修改下游分類器，即可重新用于跌倒檢測。

NASP 混合概念示意圖

NASP 平臺的一個關鍵推動因素是 Polyn 的專有編譯器工具鏈。它將經過訓練的神經網絡（通常是稀疏、不規則連接的結構）轉換為針對面積、延遲和功耗進行了優化的密集模擬電路布局。該編譯器應用修剪和連接最小化等技術，使用基于電阻器的突觸將高級模型轉換為可制造的芯片拓撲，具有高達 8 位權重的精度。

Polyn 的定制設計流程利用 Cadence 工具（如 Virtuoso 和 Innovus）將模擬和數字域結合在一個統一的布局中。NASP 芯片采用 55 納米 CMOS 工藝制造，在專為可擴展性和可制造性而構建的布局中集成了數千個模擬神經元。

微瓦級嵌入式智能

然而，Polyn 的真正成就在于 NASP 的能效表現。該芯片執行信號推理的功耗低于 100微瓦，部分實現（如 NeuroVoice VAD 模型）在主動模式下的功耗低至 30微瓦。這種效率水平可在耳塞、可穿戴設備、智能輪胎和預測性維護傳感器節點等功率受限的環境中實現始終在線的傳感。

NeuroVoice VAD，Polyn 用于語音處理的 AI 芯片。

通過在數據到達數字邏輯之前將原始數據壓縮高達 1000 倍，NASP 前端還減少了帶寬需求、降低了對云的依賴并提升了隱私性。在醫療監測等每毫瓦和每毫秒都至關重要的應用中，這種架構可能成為決定可行性的關鍵。

通往可擴展TinyML 的路徑？

Polyn 的路線圖始于 2019 年，當時聯合創始人 Dmitry Godovsky 提出了一個數學見解，他開發了一種使用模擬電路表示神經推理的方法。從那時起，該公司建立了深厚的專利組合，并與 SkyWater、Bridgestone、Infineon 和 TDK 建立了合作伙伴關系。

2025 年 5 月的流片是這一愿景的結晶：一款通用型、模擬優先的神經形態信號處理器，可作為跨行業 TinyML 系統的硬件基礎。盡管 Polyn 這款芯片的初始目標應用是語音處理，但其潛在用例還可能包括振動分析、生物信號解讀和人機界面。

通過將推理轉移到更接近信號的位置并以模擬方式重新構想神經網絡，Polyn 的 NASP 平臺為邊緣 AI 提供了一個及時、節能的模型。隨著該芯片在 2025 年第二季度通過驗證，它可能證明：下一波機器智能無需大規模計算或持續云連接，只需更智能地 “感知” 即可。

原文：

https://www.allaboutcircuits.com/news/polyn-tapes-out-first-neuromorphic-analog-signal-processing-chip/

MATLAB 用戶大會

5月27日（明天）召開，歡迎報名參會