神经形态脉冲大语言模型（NSLLM）| 李国齐、徐波等NSR

背景：大型语言模型（LLMs）是实现人工通用智能的关键工具，但其部署面临高计算内存成本和缺乏可解释性的挑战，限制了在医疗、金融等高风险领域的可靠应用。研究目的：为提升LLMs的能效和可解释性，中国科学院自动化研究所李国齐、徐波团队提出神经形态脉冲大语言模型（NSLLM），通过借鉴人脑的神经科学原理，构建一个跨学科统一框架，将传统LLMs转化为脉冲格式，以链接神经科学与大模型。结论：NSLLM通过整数脉冲计数-二值脉冲转换和脉冲线性注意力机制，在FPGA平台上定制了无矩阵乘法计算架构，显著降低了动态功耗并提升了吞吐量，同时通过神经动力学分析增强了模型的可解释性，在常识推理等任务中保持了与主流模型相当的性能，为高效AI和下一代神经形态芯片设计提供了新方向。