Brain-inspired AI for Edge Intelligence: a systematic review

arXiv cs.AI / 3/31/2026

💬 OpinionIdeas & Deep AnalysisModels & Research

共有:

Key Points

本論文は、スパイキングニューラルネット（SNN）がエッジ知能のSWaP制約を克服し得る一方で、理論上の省エネが「von Neumann基盤への実装不効率」により相殺される「Deployment Paradox」があると整理しています。
2020〜2025年の流れを、アルゴリズム単体ではなく「ハードウェア・ソフトウェア共同設計」の観点で、量子化手法やハイブリッドアーキテクチャなどの“last mile”技術に焦点を当てて体系的にレビューしています。
学習面では、ダイレクト学習と変換（conversion）の二分法、さらに状態更新を阻害する「memory wall」問題、そして神経形態コンパイル・ツールチェーンにおけるソフトウェアギャップを批判的に分析しています。
「Sync-Async Mismatch」を解消するロードマップとして、エネルギー自律的な“Green Cognitive Substrate”のための土台となる「標準化されたNeuromorphic OS」の開発を提案しています。

Abstract

While Spiking Neural Networks (SNNs) promise to circumvent the severe Size, Weight, and Power (SWaP) constraints of edge intelligence, the field currently faces a "Deployment Paradox" where theoretical energy gains are frequently negated by the inefficiencies of mapping asynchronous, event-driven dynamics onto traditional von Neumann substrates. Transcending the reductionism of algorithm-only reviews, this survey adopts a rigorous system-level hardware-software co-design perspective to examine the 2020-2025 trajectory, specifically targeting the "last mile" technologies - from quantization methodologies to hybrid architectures - that translate biological plausibility into silicon reality. We critically dissect the interplay between training complexity (the dichotomy of direct learning vs. conversion), the "memory wall" bottlenecking stateful neuronal updates, and the critical software gap in neuromorphic compilation toolchains. Finally, we envision a roadmap to reconcile the fundamental "Sync-Async Mismatch," proposing the development of a standardized Neuromorphic OS as the foundational layer for realizing a ubiquitous, energy-autonomous Green Cognitive Substrate.