当今AI算法的爆发正面临传统硬件的束缚▲▲。我们撰写这篇综述的初衷☆◇，是希望为跨学科研究者构建一座桥梁：从模拟生物突触的物理机制出发，探讨如何通过先进集成工艺，将实验室里的单个“神经元”组装成真正能高效思考的“电子大脑•…”，为未来的低功耗人工智能提供底层硬件支撑。

　　类脑计算通过模拟生物神经网络的高并行与感存算一体特性，为人工智能的高效运行提供了全新范式。本文深入探讨了集成类脑芯片的研究进展◆，强调了材料创新与异构集成在突破“存储墙◆…”瓶颈中的关键作用，对推动通用人工智能硬件落地具有重要的学术与工程价值。

　　类脑计算的硬件核心在于能够模拟生物突触塑性的人工突触器件。忆阻器利用其电阻状态的连续可调特性，与生物突触权重的动态更新机制高度契合▼◇■，其物理机理涵盖了离子迁移、铁电偶极子翻转△•、相变转换及电荷俘获等多元过程…▪。衡量此类器件性能优劣的核心指标包括开关比（Switching Ratio）、稳定性和权重更新的线性度等，这些参数直接决定了大规模硬件神经网络在推理与训练过程中的精度与收敛速度 ▼◇。通过建立精确的物理模型=•，研究人员已能在纳米尺度下复刻兴奋性/抑制性突触后电流（EPSC/IPSC）及脉冲时序依赖塑性（STDP）等关键生物学习行为。(图2△▪…：生物突触结构与两端/三端人工突触器件示意图)。

　　材料创新与器件结构的演进是提升突触器件性能的双重驱动力。从工艺成熟的金属氧化物（如IGZO、Ga2O3）到展现出卓越静电调控能力的二维原子层材料（如MoS2△、石墨烯），高性能材料体系为超低功耗运行提供了物理保障▼…。在结构设计上，两端器件凭借结构简单和易于大规模交叉阵列集成的优势，在光电突触阵列中表现优异；而三端神经形态晶体管则通过栅极调控实现了信号传输与权重更新的解耦，显著增强了操作稳定性与线性度。此外•◁，新兴的四端及多栅极结构通过模拟异突触可塑性◁▽，为实现在单器件内集成逻辑运算与非易失性存储提供了新的可能□◇○。

　　实现大规模类脑智能系统的核心挑战在于如何将海量离散突触单元高效组装。跨维度异构集成技术通过融合高性能III-V族半导体材料与成熟的硅基CMOS工艺，打破了单一材料体系在能效与速度上的局限性■。在物理封装层面△◆○，3D集成封装技术利用硅通孔（TSV）实现了芯片层间的垂直高密度互连，极大地缩短了信号传输路径并降低了互连功耗。同时，光子集成平台通过在单芯片上集成波导与光电转换单元，利用光的高带宽与低延迟特性，为超高速并行计算提供光电/光子神经形态计算的硬件基础。这些集成工艺的协同进步•■，标志着类脑芯片正由单器件演示向高度集成的复杂微系统迈进。

　　集成类脑芯片的强大效能正逐步在识别、传感及智能等前沿场景中得到验证。在视觉领域•-，基于ANN、CNN及SNN的硬件方案在MNIST等数据集上的识别精度已达90%以上，且功耗远低于传统处理器。在感知层面，柔性电子皮肤（E-skin）与集成视网膜传感器实现了对压力、温度及视觉信息的原位预处理△，极大地减轻了后续计算的负担。更深层次的突破体现在智能机器人领域◆=△，类脑芯片通过模拟生物神经肌肉接头，赋予了人形机器人低延迟的多任务处理能力、自主路径规划能力以及自适应的运动控制精度。

　　集成类脑芯片正处于从实验室原型向产业化跨越的关键期。未来研究需重点攻克器件本征随机性■、大规模阵列压降以及软硬协同设计（如故障感知训练策略）等挑战=。通过材料-电路-算法的跨层次深度融合…•，类脑芯片有望在后摩尔时代提供高效•☆-、智能且自适应的算力基础。