在神经形态计算领域，英特尔初代 Loihi 芯片曾以低功耗和异步脉冲通信引发关注，但其神经元行为高度依赖硬件固化设计。开发者只能调整有限的预设参数，如同“在出厂定型的模具里微调”。而 Loihi 2 的问世，标志着该架构从“专用加速器”向“可编程神经计算基板”的跨越。它在神经元编程灵活性上的突破，并非单纯堆砌算力，而是从底层指令集、状态管理到开发工具链的系统性重构。
微码驱动的神经元引擎：告别“黑盒”模型
Loihi 1 的神经元模型主要基于泄漏积分点火（LIF）机制，其微分方程和更新逻辑被硬编码在硅片中。Loihi 2 引入了可编程微码引擎，每个神经形态核心都配备了独立的指令执行单元。开发者可以通过定义自定义的状态更新规则，直接编写神经元内部的动力学方程。这意味着：
- 不再局限于 LIF，可自由实现自适应阈值、多隔室模型或带延迟反馈的复杂动力学；
- 神经元状态变量的更新步长、触发条件、复位逻辑均可通过微代码逐周期控制；
- 硬件层面支持条件分支与循环结构，使单个神经元能够执行简单的时序决策。
这种设计将神经元从“物理电路的被动响应者”转变为“可编程的计算单元”，算法设计者终于能按需定制神经元的数学行为。
状态变量与片上内存扩容：支撑复杂时序计算
灵活性离不开资源底座。Loihi 2 将每个核心的神经元状态内存提升约 3 倍，突触权重存储扩容近 2 倍，并引入更精细的延迟管理机制。更大的片上 SRAM 允许：
- 为每个神经元分配更多历史状态轨迹，实现长时程依赖建模；
- 突触连接支持动态权重更新与多通道延迟配置，打破前代静态路由的限制；
- 局部内存足以缓存中间计算结果，减少跨核通信开销，使复杂网络拓扑可在单核内高效仿真。
内存结构的优化直接解耦了“算法复杂度”与“硬件约束”，让研究者能在芯片上运行更接近生物真实时序特性的脉冲网络。
学习规则的硬件级可编程：跳出 STDP 单一范式
初代 Loihi 的突触可塑性主要依赖脉冲时序依赖可塑性（STDP）的固定实现。Loihi 2 将学习规则本身纳入可编程范畴：
- 支持奖励调制、稳态可塑性、元学习等自定义更新函数；
- 学习信号可通过全局调制广播或局部误差反向传播路径注入；
- 突触权重更新可与神经元状态解耦，允许独立设计“记忆存储”与“学习机制”。
这一突破使硬件能够直接承载强化学习、在线自适应等现代算法，无需依赖外部主机频繁干预，真正实现“边运行边进化”的类脑特性。
Lava 框架：从底层微码到高级抽象的桥梁
硬件灵活性若缺乏易用的软件接口，仍会沦为实验室玩具。英特尔同步推出的 Lava 开源框架，通过 Python 级 API 将复杂的微码编译流程自动化：
- 开发者用声明式语法定义网络拓扑、神经元类型与学习规则；
- 编译器自动将高级模型映射为 Loihi 2 的微指令与路由表；
- 提供仿真器与真机一键切换能力，支持调试、性能分析与梯度验证。
Lava 的出现，让神经形态编程从“手写汇编级微码”回归到“算法驱动”的现代软件工程范式。
灵活性背后的范式转移
Loihi 2 的升级并非追求更高的峰值 FLOPS，而是重新定义“神经形态芯片该为谁服务”。当神经元行为、学习规则与网络拓扑均可由软件定义时，研究者的工作重心从“如何妥协于硬件限制”转向“如何用数学描述智能”。这种灵活性为边缘实时推理、低功耗自适应控制、新型类脑算法探索提供了真正的实验床。未来，随着微码生态的完善与跨平台编译器的成熟，神经形态计算有望从“特定场景加速器”演进为通用智能基础设施的一部分。
