介接神經形態與深度網路：SpiNNaker2 晶片發表
為何重要
傳統深度學習依賴 GPU，而神經形態計算在能效比上具潛力，SpiNNaker2 的出現為這兩條路徑的融合提供了具體的晶片架構資料。雖然目前仍處於研究與論文階段，但其規格數字為後續評估該技術路線的商業可行性提供了量化基準。
德國德勒斯頓工業大學與曼徹斯特大學的研究團隊發表技術論文，推出生名的 SpiNNaker2 晶片，旨在連線深度神經網路與神經形態計算的技術缺口。
- 該晶片針對 INT8 工作負載設計，在高效能模式下算力可達 4.5 TOPS。
- 在高效率模式下，INT8 運算的功耗效率最高可達 2.7 TOPS/W。
- 技術論文已發表於 IEEE Open Journal of Circuits and Systems。