基於脈衝神經網路的邊緣智慧

人工智慧 (Artificial Intelligence, AI) 與邊緣運算 (Edge Computing) 的匯流，使得在資源受限的裝置上直接提供智慧服務的需求日益增長。傳統的深度學習 (Deep Learning) 模型需要可觀的計算資源與集中式資料管理，所衍生的延遲、頻寬消耗與隱私顧慮，已突顯雲端中心化典範的關鍵限制。腦啟發運算 (Brain-Inspired Computing, BIC)，特別是脈衝神經網路 (Spiking Neural Networks, SNNs)，透過模擬生物神經元動態以實現低功耗、事件驅動 (event-driven) 的運算，提供了一個有前景的替代方案。本綜述全面概覽基於 SNN 的邊緣智慧 (Edge Intelligence based on SNNs, EdgeSNNs)，並檢視其在邊緣場景中應對裝置端學習、推論與安全挑戰的潛力。我們建立一套 EdgeSNN 基礎的系統性分類，涵蓋神經元模型、學習演算法以及支撐硬體平台。我們深入討論 EdgeSNN 的三項代表性實務考量：使用輕量化 SNN 模型的裝置端推論、在非平穩資料條件下的資源感知 (resource-aware) 訓練與更新，以及安全與隱私保護議題。 此外，我們指出在傳統硬體上評估 EdgeSNN 的限制，並引入一種雙軌基準測試 (dual-track benchmarking) 策略，以支援公平比較與硬體感知 (hardware-aware) 最佳化。透過本研究，我們希望弭平腦啟發學習與實務邊緣部署之間的落差，並提供當前進展、開放挑戰與未來研究方向的洞見。據我們所知，這是首篇針對 EdgeSNN 的專門且全面的綜述，可作為神經形態運算 (Neuromorphic Computing) 與邊緣智慧交會領域研究人員與實務工作者的重要參考。