摘要：人工智能公司Polyn 科技基于其专有的神经形态模拟信号处理（NASP）平台，完成了首款模拟信号处理芯片的流片，这标志着其在神经形态计算领域达到了一个决定性的里程碑。

人工智能公司Polyn 科技基于其专有的神经形态模拟信号处理（NASP）平台，完成了首款模拟信号处理芯片的流片，这标志着其在神经形态计算领域达到了一个决定性的里程碑。

Polyn 公司的 NASP 芯片是一款模拟神经形态处理器，能够在传感器端直接实现超低功耗的实时信号处理。

Polyn 的第一款流片芯片利用模拟神经形态内核进行语音处理应用。

Polyn 的首款流片芯片利用模拟神经形态核心实现语音处理应用。这款芯片专为边缘端全天候传感器智能而设计，旨在以生物效率处理真实世界信号，在功耗、延迟和嵌入式 AI 适应性方面突破了 TinyML 的极限。

数字感知的模拟大脑

Polyn 创新的核心是 NASP，这是一种混合模数架构，模仿生物神经元的分布式、超并行运作模式。通过由运算放大器和可编程电阻组成的模拟电路，该系统可对传感器数据进行本地推理，无需在预处理阶段对信号进行数字化处理或依赖中央 CPU。

传统传感器数据处理与神经形态前端数据处理对比。

Polyn 构建了新流片的芯片来运行语音活动检测 （VAD） 模型，这是一项需要微秒级延迟和微瓦级功耗的边缘 AI 任务。NASP 前端不是将连续的原始音频流式传输到数字处理器或云服务器，而是过滤和压缩输入，仅输出通知更高级别处理的关键嵌入（从信号模式中提取的抽象特征向量）。

这种前端智能不仅仅是压缩：更实现了“解读” 功能。通过模仿人类感官系统仅向大脑传递有意义脉冲的机制，NASP 使边缘系统能够以传统架构难以企及的速度和效率做出反应。

TinyML 的混合模型

NASP 平台分为两个概念模块：

固定部分：以硬连线模拟电路实现，负责从原始传感器数据中提取嵌入特征。这部分在流片时蚀刻，作为专用特征提取器。

灵活部分：以标准数字逻辑或低功耗微控制器实现，基于嵌入特征执行分类或解读。

这种混合模型在硬件中体现了迁移学习理念。开发人员只需对模型的灵活部分进行再训练和调整，在部署类似工作负载的变体时，可显著缩短设计周期并降低芯片复杂度。例如，用于步态识别的加速度计信号只需通过修改下游分类器，即可重新用于跌倒检测。

NASP 混合概念示意图

NASP 平台的一个关键推动因素是 Polyn 的专有编译器工具链。它将经过训练的神经网络（通常是稀疏、不规则连接的结构）转换为针对面积、延迟和功耗进行了优化的密集模拟电路布局。该编译器应用修剪和连接最小化等技术，使用基于电阻器的突触将高级模型转换为可制造的芯片拓扑，具有高达 8 位权重的精度。

Polyn 的定制设计流程利用 Cadence 工具（如 Virtuoso 和 Innovus）将模拟和数字域结合在一个统一的布局中。NASP 芯片采用 55 纳米 CMOS 工艺制造，在专为可扩展性和可制造性而构建的布局中集成了数千个模拟神经元。

微瓦级嵌入式智能

然而，Polyn 的真正成就在于 NASP 的能效表现。该芯片执行信号推理的功耗低于 100微瓦，部分实现（如 NeuroVoice VAD 模型）在主动模式下的功耗低至 30微瓦。这种效率水平可在耳塞、可穿戴设备、智能轮胎和预测性维护传感器节点等功率受限的环境中实现始终在线的传感。

NeuroVoice VAD，Polyn 用于语音处理的 AI 芯片。

通过在数据到达数字逻辑之前将原始数据压缩高达 1000 倍，NASP 前端还减少了带宽需求、降低了对云的依赖并提升了隐私性。在医疗监测等每毫瓦和每毫秒都至关重要的应用中，这种架构可能成为决定可行性的关键。

通往可扩展TinyML 的路径？

Polyn 的路线图始于 2019 年，当时联合创始人 Dmitry Godovsky 提出了一个数学见解，他开发了一种使用模拟电路表示神经推理的方法。从那时起，该公司建立了深厚的专利组合，并与 SkyWater、Bridgestone、Infineon 和 TDK 建立了合作伙伴关系。

2025 年 5 月的流片是这一愿景的结晶：一款通用型、模拟优先的神经形态信号处理器，可作为跨行业 TinyML 系统的硬件基础。尽管 Polyn 这款芯片的初始目标应用是语音处理，但其潜在用例还可能包括振动分析、生物信号解读和人机界面。

通过将推理转移到更接近信号的位置并以模拟方式重新构想神经网络，Polyn 的 NASP 平台为边缘 AI 提供了一个及时、节能的模型。随着该芯片在 2025 年第二季度通过验证，它可能证明：下一波机器智能无需大规模计算或持续云连接，只需更智能地 “感知” 即可。

原文：

MATLAB 用户大会

5月27日（明天）召开，欢迎报名参会

来源：夏琳科技讲堂