中科院推出类脑大模型 SpikingBrain:以2% 数据实现百倍速度突破

当前主流的大语言模型，如GPT系列，普遍基于Transformer架构。尽管Transformer以其强大的自注意力机制而闻名，但其计算复杂度却是一个致命的短板。在文本长度增加时，计算量呈现出平方级别的暴涨，使得长文本的处理变得异常耗时和耗能。这一现象让AI在分析长篇小说或法律文书时显得力不从心。

为了寻求新的解决方案，研究团队将目光投向了自然界最为高效的智能系统——人脑。人脑由千亿神经元构成，功耗却仅为20瓦。团队提出了“基于内生复杂性”的理念，旨在提升模型内部单元的效率与智能。

SpikingBrain模型通过全新的架构模拟了人脑神经元的工作方式，分为两个版本:SpikingBrain-7B（70亿参数）和SpikingBrain-76B(760亿参数)。首先，该模型抛弃了传统Transformer的二次方复杂度自注意力机制，采用了“混合线性注意力架构”，将计算复杂度降至线性(O(n))，显著提高了处理长文本的效率。

其次，SpikingBrain引入了“自适应阈值脉冲神经元”，使神经元的激活与否取决于接收到的信号强度。通过动态调整阈值，模型确保神经元在高效能状态下工作，这种事件驱动的机制显著节省了能耗，计算稀疏度高达69.15%。

此外，团队还开发了一套高效的模型转换技术，能够将现有的Transformer模型直接转化为SpikingBrain架构，降低了训练成本。所有技术细节和代码已在GitHub及魔搭平台上开源，供全球研究人员使用。

此次SpikingBrain的问世，不仅在计算效率上取得了重大突破，也为未来的通用人工智能提供了一条新思路。

GitHub:

https://github.com/BICLab/SpikingBrain-7B

划重点:

🌟研究团队推出的SpikingBrain模型在处理长文本时速度比主流模型快100倍，仅需2%训练数据。

🧠该模型采用混合线性注意力架构，计算复杂度从二次方降至线性，提升了处理效率。

💡SpikingBrain的自适应阈值脉冲神经元机制显著降低能耗，实现高计算稀疏度。