一句话定义：脉冲神经网络（Spiking Neural Network, SNN）是一种把神经元当成“攒够能量才放电”的计算模型：平时只累积输入，只有膜电位越过阈值时才发放一个脉冲（spike），并把信号传给下游。
它怎么工作：可以拿“水桶接水”打比方。每个神经元是一口水桶，输入脉冲像一勺一勺倒进来的水，桶里的水位就是膜电位（membrane potential）。水没到桶沿，桶什么都不做；一旦满了溢出，就往外泼一瓢——这就是“发放脉冲”，同时水位回落。这一瓢水又变成下游桶的输入。整个过程没有统一时钟逼着所有桶同时算：谁溢出谁发声，没溢出就安静待着。
关键就在这。传统人工神经网络（Artificial Neural Network, ANN）做一次前向传播时，几乎每个神经元都要做乘加，不管输入是不是零；SNN 是事件驱动（event-driven）的——没有脉冲到达，就没有计算，也没有内存访问。芯片上的动态功耗主要跟着“事件数量”走，所以活动稀疏时省电就很明显。这正是类脑芯片（neuromorphic chip）省电的核心机制之一。
| 维度 | 传统 ANN | SNN |
|---|---|---|
| 神经元输出 | 连续数值 | 离散脉冲的时间序列 |
| 计算触发 | 每轮都算，整层同步 | 有脉冲才触发，事件驱动 |
| 信息载体 | 数值大小 | 脉冲的时机与频率 |
| 功耗特点 | 与网络规模、层数强相关 | 与脉冲活动量强相关 |
| 训练难点 | 反向传播成熟 | 脉冲不可导，常用替代梯度或 ANN 转换 |
别和这些混淆：SNN 常被和二值网络搞混。二值网络只是把权重和激活量化成很小的取值集合，计算节奏仍然是同步的；SNN 的稀疏来自时间维度上“没事就不算”。它也不是“把 ReLU 换成脉冲”就行，训练和部署是另一套逻辑。
对从业者：它适合低功耗边缘推理、传感器端实时处理，尤其搭配事件相机、动态视觉传感器（Dynamic Vision Sensor, DVS）这类“只报变化”的输入。但要留意：训练常用替代梯度（surrogate gradient）或从训练好的 ANN 转换；推理得配支持事件驱动的硬件或模拟器，各家支持情况不同，以官方页面为准。更现实的做法是先小规模验证延迟、精度、工具链，再考虑放量。
对普通人：理解 SNN 最有用的不是某个公式，而是“计算跟着事件走”这个思路——相当于把定时轮询改成消息触发。你未必会直接用到 SNN，但“只在需要时干活”在系统设计里一直管用。