2022 年的時候，奔馳狠狠地秀了一把肌肉：一輛 VISION EQXX 能效概念車實現了 1 次充電行駛超過 1200 公里，它最初設立的目標是續航達到 1000 公里（1 度電跑 10 公里），最終在德國斯圖加特到北安普敦郡銀石賽道上，跑出了 1 度電跑接近 12.1 公里的能效成績，即用 100 度電跑出了 1207 公里的續航成績。

去年它又創造了百公里能耗僅 7.4 度電的新紀錄。

當人們把目光放在它的能效表現時，其實奔馳 VISION EQXX 還搭載了另一種計算形態「神經形態計算」，奔馳也成為全球首個將神經形態計算技術應用于合法上路車型的汽車廠商，當時奔馳表示，這個技術可以助力 VISION EQXX 在真實道路環境下，實現并超越奔馳定下的續航能效目標。

為什么自動駕駛需要「神經形態計算」？

最近奔馳又重新提起了這個技術，并且表示已經和與加拿大滑鐵盧大學就神經形態計算領域展開科研合作。

無論是我們當下使用的電腦、手機、智能手表，以及智能汽車，它們的計算架構都屬于經典的馮·諾依曼架構，這個架構的計算單元和存儲單元是分離的，比如我們在看電腦和手機配置的時候，總會看 CPU 和 GPU 是什么型號，核心數量和主頻多少，內存和存儲有多大，再細致一點，會看內存的帶寬，存儲的讀寫速度等等。

▲ 馮·諾依曼架構

這是因為在馮·諾依曼架構里面，信息是以數字編碼形式，通常是二進制，通過總線連接相互獨立的運算單元和存儲器，進行信息輸入和計算結果輸出。

這就像一家大型餐廳，食材需要人力從倉庫里運送到后廚冰箱，后廚從冰箱里拿出來加工好擺盤完畢，通過傳菜員服務員送到消費者餐桌上，這個流程不能中斷，不然坐在餐桌上的消費者就得餓肚子。

馮·諾依曼架構出現了數十年，如今已經非常成熟，在大多數場景里面，我們并未覺得它不妥，作為消費者，我們也很少因為這個架構而「餓肚子」，這是因為現在的游戲、視頻還有辦公軟件的設計，是根據現有硬件的性能瓶頸而設計的，五六年前游戲開發者不會去開發光學追蹤游戲，因為英偉達當時還沒有發布這個技術。

更早之前的影視從業者也不會制作 8K 視頻，因為從拍攝設備，到解碼芯片還有播放設備都沒有準備好。

還是以大型餐廳舉例，因為處理流程長，工序復雜，客戶需求多樣，就需要儲備各種食材，聘請名廚，培訓服務員，做各種工作，成本高昂，人員復雜，上班時間還很久，最終消費者消費的價格也不便宜。

這就是馮·諾依曼架構的短板，最明顯的，就是它的計算效率偏低（倉庫太遠，冰箱滿了，廚師請假，服務員偷懶，后廚門太窄了等等都會影響上菜效率）和運行能耗偏高（人多，管理難，投入成本高）。

當然，馮·諾依曼架構的長處在于精確和通用計算，就像好的餐廳能做的菜花樣百出，并且樣樣好吃。

但是，如果有個顧客特別愛吃揚州炒飯，并且只吃揚州炒飯，那么他自然也可以每一頓去上面的大餐廳，不過對于顧客來說，這個花費就太高了。

這個「揚州炒飯」可以是當下的 AI 計算，或者更細致一些，是汽車輔助駕駛和自動駕駛的計算。

根據奔馳給出的數據，如果是繼續使用馮·諾依曼架構做智能駕駛的計算，當前 L2 級別的輔助駕駛，能耗在 70-100W 之間，這對于動輒幾十度上百度的新能源電池來說負擔不算大，運行一天也就 1 度電而已。

但是到了 L4 高級自動駕駛階段，這個能耗就可能達到 1000W——3000W 的程度，這將大大降低汽車的續航里程。

當然，我們可以寄希望于半導體制程工藝的進步，電池技術的進步等等，但是我們需要明白的是，從 L2 到 L4 智能駕駛等級之間能耗遞增是十倍數十倍的增加，而半導體工藝帶來的能耗降低，往往是個位數兩位數百分比的速度。

所以，業界就希望有新的計算形態來專門針對自動駕駛這個場景，這就是前面提到的「神經形態計算」。

前面說了，馮·諾依曼架構的長處在于重邏輯的精確和通用計算，但效率低功耗大，那么「神經形態計算」就是長于模式識別、感知、學習、自適應，并且能耗很低。

在智能駕駛技術進入到了端到端時代，依靠大模型，尤其需要視覺語言大模型參與進來的時候，模式識別、感知、學習和自適應的需求也越來越大，因而，「神經形態計算」就逐漸被奔馳和業界所重視，成為實現高等級自動駕駛的希望技術。

▲ Akida 神經形態計算 IP 架構

具體到奔馳，他們是和加州人工智能企業 BrainChip 合作，開發出基于 BrainChip 公司 Akida 神經形態系統級芯片的硬件和軟件系統，并集成在了 VISION EQXX 概念車里。

從五級能耗到一級能耗，「神經形態計算」為什么可以更省電更安全？

簡單來講，「神經形態計算」就是模仿人腦的機制來進行計算，人腦（在不路怒的情況下）作為一種自動駕駛計算設備，有著高性能低能耗的優點，一般功耗只有 20W，百公里消耗兩個饅頭而已。

從人腦的運作機制來說，在駕駛的情況下，雖然傳感器（眼睛和耳朵）一直工作，眼觀六路耳聽八方，但人腦并不是一直緊繃，而是會根據外界環境動態調整運行狀態，在滿是大貨車的擁擠路段，人腦自然緊張一些，而在空曠平坦視野遼闊的高速路上，人也會放松一些。

更科學一點的說法是，人腦的信息傳遞確實依賴于神經元之間的脈沖信號和突觸的化學傳遞，這種機制構成了神經系統的基礎通信方式。并且這種機制是事件驅動的，比如視網膜里的運動敏感神經節細胞只在檢測到運動時發放脈沖。

奔馳在其技術介紹文章里面說：

神經形態計算的核心就是模擬人腦的運作機制，信息不以數字形式編碼，而是通過模仿神經元和突觸產生「脈沖信號」來傳遞信息。只在需要時才「點亮」相關區域，這種「按需激活」的機制，既打消了傳統計算架構運算慢的劣勢，又從根本上突破了耗能高且持續耗能的限制。神經元與突觸在物理上是共位集成的，意味著脈沖神經網絡的信息，無需從存儲器中反復讀取。

人腦這種時而放松時而緊繃的注意力機制，也可以比喻成「變頻空調」，空調早期，就是一個功率運行到低，在設定溫度下全力做啟停折返，絲毫不考慮省電，一張五級能耗的貼紙證明它的努力和堅持。

聰明的變頻空調會在環境溫度高，開機初期的時候加大制冷功率，在溫度到達設定值之后減少功率，主要做維持舒適溫度之用，不僅省電，而且溫度波動小，體感上更舒適。

類似的，神經形態計算只有在接收到信息時才會觸發計算，其他時間處于休眠狀態，這使得數據處理能耗得到顯著降低。

到此，我們可以總結一下神經形態計算的一些特點：存儲和計算融合，異步事件驅動而不是順序指令執行，擅長模式識別、感知、學習和自適應，同時能耗低。

在奔馳的官網上，奔馳記錄一系列關于神經形態計算的合作和進展：

梅賽德斯-奔馳與滑鐵盧大學簽署了諒解備忘錄，合作開展神經形態計算領域的研究。該研究的重點是開發高級駕駛輔助系統的算法。通過模擬人腦功能，神經形態計算可以顯著提升人工智能計算能力，使其速度更快、更節能。在保持車輛續航里程的同時，安全系統可以更好地檢測交通標志、車道和物體，即使在能見度較低的情況下也能做出更快的反應。與現有系統相比，神經形態計算有望將自動駕駛數據處理所需的能耗降低 90%。與滑鐵盧大學的合作是對梅賽德斯-奔馳在神經形態計算領域一系列現有研究合作的補充，其中一個重點是自動駕駛的神經形態端到端學習。

梅賽德斯-奔馳正與合作伙伴共同評估如何利用神經形態計算來優化自動駕駛系統中雷達數據的處理。

梅賽德斯-奔馳還一直與卡爾斯魯厄應用技術大學合作，這項工作的核心是神經形態攝像頭，也稱為基于事件的攝像頭。

這一系列的工作，除了有望把 L4 級別的自動駕駛系統功耗降低到 300W 之外，更重要的作用也在于安全。

因為基礎技術原理的原因，「神經形態計算」有著更快的處理速度和低延遲，這不光是依靠計算中樞完成，也依賴于前面說到的「基于事件的攝像頭（神經形態相機）」。

傳統相機拍攝和分析圖像，是去分析一整張完整的圖像，像素越多信息也就越多，但同時需要的算力和功耗也越大，而神經形態相機則針對圖像中少數高亮度像素的變化（這種變化就是「事件」）進行信息提取，這個過程比逐幀分析整張圖像要更快，延遲也小的多，因而更利于安全。

當然，在 VISION EQXX 能效概念車里，神經形態計算主要作用的領域是提升車內語音喚醒速度（響應速度從 200 毫秒降至 20 毫秒），以及優化人機交互，用在智能駕駛領域還有段距離，比較現在才 L2 階段。