2022 年的时候，奔驰狠狠地秀了一把肌肉：一辆 VISION EQXX 能效概念车实现了 1 次充电行驶超过 1200 公里，它最初设立的目标是续航达到 1000 公里（1 度电跑 10 公里），最终在德国斯图加特到北安普敦郡银石赛道上，跑出了 1 度电跑接近 12.1 公里的能效成绩，即用 100 度电跑出了 1207 公里的续航成绩。

去年它又创造了百公里能耗仅 7.4 度电的新纪录。

当人们把目光放在它的能效表现时，其实奔驰 VISION EQXX 还搭载了另一种计算形态「神经形态计算」，奔驰也成为全球首个将神经形态计算技术应用于合法上路车型的汽车厂商，当时奔驰表示，这个技术可以助力 VISION EQXX 在真实道路环境下，实现并超越奔驰定下的续航能效目标。

为什么自动驾驶需要「神经形态计算」？

最近奔驰又重新提起了这个技术，并且表示已经和与加拿大滑铁卢大学就神经形态计算领域展开科研合作。

无论是我们当下使用的电脑、手机、智能手表，以及智能汽车，它们的计算架构都属于经典的冯·诺依曼架构，这个架构的计算单元和存储单元是分离的，比如我们在看电脑和手机配置的时候，总会看 CPU 和 GPU 是什么型号，核心数量和主频多少，内存和存储有多大，再细致一点，会看内存的带宽，存储的读写速度等等。

这是因为在冯·诺依曼架构里面，信息是以数字编码形式，通常是二进制，通过总线连接相互独立的运算单元和存储器，进行信息输入和计算结果输出。

这就像一家大型餐厅，食材需要人力从仓库里运送到后厨冰箱，后厨从冰箱里拿出来加工好摆盘完毕，通过传菜员服务员送到消费者餐桌上，这个流程不能中断，不然坐在餐桌上的消费者就得饿肚子。

冯·诺依曼架构出现了数十年，如今已经非常成熟，在大多数场景里面，我们并未觉得它不妥，作为消费者，我们也很少因为这个架构而「饿肚子」，这是因为现在的游戏、视频还有办公软件的设计，是根据现有硬件的性能瓶颈而设计的，五六年前游戏开发者不会去开发光学追踪游戏，因为英伟达当时还没有发布这个技术。

更早之前的影视从业者也不会制作 8K 视频，因为从拍摄设备，到解码芯片还有播放设备都没有准备好。

还是以大型餐厅举例，因为处理流程长，工序复杂，客户需求多样，就需要储备各种食材，聘请名厨，培训服务员，做各种工作，成本高昂，人员复杂，上班时间还很久，最终消费者消费的价格也不便宜。

这就是冯·诺依曼架构的短板，最明显的，就是它的计算效率偏低（仓库太远，冰箱满了，厨师请假，服务员偷懒，后厨门太窄了等等都会影响上菜效率）和运行能耗偏高（人多，管理难，投入成本高）。

当然，冯·诺依曼架构的长处在于精确和通用计算，就像好的餐厅能做的菜花样百出，并且样样好吃。

但是，如果有个顾客特别爱吃扬州炒饭，并且只吃扬州炒饭，那么他自然也可以每一顿去上面的大餐厅，不过对于顾客来说，这个花费就太高了。

这个「扬州炒饭」可以是当下的 AI 计算，或者更细致一些，是汽车辅助驾驶和自动驾驶的计算。

根据奔驰给出的数据，如果是继续使用冯·诺依曼架构做智能驾驶的计算，当前 L2 级别的辅助驾驶，能耗在 70-100W 之间，这对于动辄几十度上百度的新能源电池来说负担不算大，运行一天也就 1 度电而已。

但是到了 L4 高级自动驾驶阶段，这个能耗就可能达到 1000W——3000W 的程度，这将大大降低汽车的续航里程。

当然，我们可以寄希望于半导体制程工艺的进步，电池技术的进步等等，但是我们需要明白的是，从 L2 到 L4 智能驾驶等级之间能耗递增是十倍数十倍的增加，而半导体工艺带来的能耗降低，往往是个位数两位数百分比的速度。

所以，业界就希望有新的计算形态来专门针对自动驾驶这个场景，这就是前面提到的「神经形态计算」。

前面说了，冯·诺依曼架构的长处在于重逻辑的精确和通用计算，但效率低功耗大，那么「神经形态计算」就是长于模式识别、感知、学习、自适应，并且能耗很低。

在智能驾驶技术进入到了端到端时代，依靠大模型，尤其需要视觉语言大模型参与进来的时候，模式识别、感知、学习和自适应的需求也越来越大，因而，「神经形态计算」就逐渐被奔驰和业界所重视，成为实现高等级自动驾驶的希望技术。

具体到奔驰，他们是和加州人工智能企业 BrainChip 合作，开发出基于 BrainChip 公司 Akida 神经形态系统级芯片的硬件和软件系统，并集成在了 VISION EQXX 概念车里。

从五级能耗到一级能耗，「神经形态计算」为什么可以更省电更安全？

简单来讲，「神经形态计算」就是模仿人脑的机制来进行计算，人脑（在不路怒的情况下）作为一种自动驾驶计算设备，有着高性能低能耗的优点，一般功耗只有 20W，百公里消耗两个馒头而已。

从人脑的运作机制来说，在驾驶的情况下，虽然传感器（眼睛和耳朵）一直工作，眼观六路耳听八方，但人脑并不是一直紧绷，而是会根据外界环境动态调整运行状态，在满是大货车的拥挤路段，人脑自然紧张一些，而在空旷平坦视野辽阔的高速路上，人也会放松一些。

更科学一点的说法是，人脑的信息传递确实依赖于神经元之间的脉冲信号和突触的化学传递，这种机制构成了神经系统的基础通信方式。并且这种机制是事件驱动的，比如视网膜里的运动敏感神经节细胞只在检测到运动时发放脉冲。

奔驰在其技术介绍文章里面说：

神经形态计算的核心就是模拟人脑的运作机制，信息不以数字形式编码，而是通过模仿神经元和突触产生「脉冲信号」来传递信息。只在需要时才「点亮」相关区域，这种「按需激活」的机制，既打消了传统计算架构运算慢的劣势，又从根本上突破了耗能高且持续耗能的限制。神经元与突触在物理上是共位集成的，意味着脉冲神经网络的信息，无需从存储器中反复读取。

人脑这种时而放松时而紧绷的注意力机制，也可以比喻成「变频空调」，空调早期，就是一个功率运行到低，在设定温度下全力做启停折返，丝毫不考虑省电，一张五级能耗的贴纸证明它的努力和坚持。

聪明的变频空调会在环境温度高，开机初期的时候加大制冷功率，在温度到达设定值之后减少功率，主要做维持舒适温度之用，不仅省电，而且温度波动小，体感上更舒适。

类似的，神经形态计算只有在接收到信息时才会触发计算，其他时间处于休眠状态，这使得数据处理能耗得到显著降低。

到此，我们可以总结一下神经形态计算的一些特点：存储和计算融合，异步事件驱动而不是顺序指令执行，擅长模式识别、感知、学习和自适应，同时能耗低。

在奔驰的官网上，奔驰记录一系列关于神经形态计算的合作和进展：

梅赛德斯-奔驰与滑铁卢大学签署了谅解备忘录，合作开展神经形态计算领域的研究。该研究的重点是开发高级驾驶辅助系统的算法。通过模拟人脑功能，神经形态计算可以显著提升人工智能计算能力，使其速度更快、更节能。在保持车辆续航里程的同时，安全系统可以更好地检测交通标志、车道和物体，即使在能见度较低的情况下也能做出更快的反应。与现有系统相比，神经形态计算有望将自动驾驶数据处理所需的能耗降低 90%。与滑铁卢大学的合作是对梅赛德斯-奔驰在神经形态计算领域一系列现有研究合作的补充，其中一个重点是自动驾驶的神经形态端到端学习。

梅赛德斯-奔驰正与合作伙伴共同评估如何利用神经形态计算来优化自动驾驶系统中雷达数据的处理。

梅赛德斯-奔驰还一直与卡尔斯鲁厄应用技术大学合作，这项工作的核心是神经形态摄像头，也称为基于事件的摄像头。

这一系列的工作，除了有望把 L4 级别的自动驾驶系统功耗降低到 300W 之外，更重要的作用也在于安全。

因为基础技术原理的原因，「神经形态计算」有着更快的处理速度和低延迟，这不光是依靠计算中枢完成，也依赖于前面说到的「基于事件的摄像头（神经形态相机）」。

传统相机拍摄和分析图像，是去分析一整张完整的图像，像素越多信息也就越多，但同时需要的算力和功耗也越大，而神经形态相机则针对图像中少数高亮度像素的变化（这种变化就是「事件」）进行信息提取，这个过程比逐帧分析整张图像要更快，延迟也小的多，因而更利于安全。

当然，在 VISION EQXX 能效概念车里，神经形态计算主要作用的领域是提升车内语音唤醒速度（响应速度从 200 毫秒降至 20 毫秒），以及优化人机交互，用在智能驾驶领域还有段距离，比较现在才 L2 阶段。