AI能像人脑一样更具能源效率吗？

（本文编译自Semiconductor Digest）

据估计，人工智能（AI）模型生成一条文本回复可能需要消耗超过6000焦耳的能量。

相比之下，人类大脑每秒仅需20焦耳能量，就能维持生命体征和认知功能。正因如此，布法罗大学的研究人员正从人脑运作机制中汲取灵感，致力于研发新型计算架构，以满足人工智能日益增长的能源需求。

布法罗大学物理系教授、文理学院研究副院长Sambandamurthy Ganapathy博士指出：“世界上没有任何事物能像人类大脑一样高效——它在进化过程中实现了信息存储与处理的最大化，同时将能量消耗降至最低。尽管大脑的复杂程度远超现有技术的复刻能力，但我们可以模拟其信息存储与处理模式，从而制造出能效更高的计算机，进而推动人工智能的节能化发展。”

这种受大脑启发的计算模式被称为神经形态计算。其概念可追溯至20世纪80年代，但近年来随着计算任务（尤其是人工智能相关任务）的能耗需求和复杂度持续攀升，该领域的研究价值愈发凸显。

尽管神经形态计算可涉及脑启发的硬件与软件，但Ganapathy的团队专注于硬件研发。他们的研究由美国国家科学基金会资助，融合了量子科学与工程，致力于探索可用于构建神经形态计算机芯片的材料所具备的独特电学特性。

该团队的终极目标是开发不仅更节能，而且能更出色完成任务的芯片与设备——甚至可能以更接近人类的方式运作。

“如今的计算机是为简单重复任务设计的，但随着人工智能的兴起，我们不再只想解决简单问题，”Ganapathy表示，“我们希望计算机能像人类每天所做的那样，解决复杂问题。神经形态计算或许能提供这样的架构，让计算机实现这一点。”

计算机与大脑本就存在相似性

模拟人类大脑的计算机并非如你想象般遥不可及。

计算机通过数十亿个晶体管将所有信息编码为二进制（0和1）——这些微小的开关元件要么导电（表示1），要么阻断电流（表示0）。而人类大脑的信息编码方式竟有着惊人的相似性：我们拥有数十亿个神经元，它们要么发射电信号，要么保持静默，恰似晶体管的开关状态。

“神经形态计算的核心目标，正是突破二进制框架的局限，向自然界赋予我们的复杂系统更进一步。”Ganapathy实验室的研究生Nitin Kumar解释道。

同一空间内的存储与处理

大脑相较于计算机更为复杂且节能的一点在于：信息的存储与处理发生在同一位置。

“大脑并非左半球存储所有记忆、右半球负责所有学习，”Ganapathy解释道，“二者是相互交织的。”

传统计算机中，信息存储与处理是分离的。因此，仅将数据沿微小电路在存储单元和处理单元之间传输，就会消耗大量能量。当计算架构需要支持人工智能模型时，这种能耗会进一步加剧。

“于是问题转化为：在计算机芯片内，我们能将存储与处理单元的距离缩短到何种程度？”Ganapathy表示，“这就是所谓的存算一体技术，也是神经形态计算的一大核心优势。”

人工神经元与突触

得益于神经元构成的复杂系统，大脑中的记忆与处理过程得以交织为一体。神经元通过相互连接的突触传递电信号，在庞大的网络中高效传输信息。若用计算机术语类比：突触负责存储记忆，而神经元执行处理功能。

因此，Ganapathy团队正致力于研发人工神经元与突触，旨在模拟生物原型对信息的电信号传导机制。

“我们的核心目标是重现脑扫描中可见的节律性同步电振荡，”Kumar解释道，“要实现这一点，需用先进材料构建神经元与突触——这些材料的导电性必须能通过精密控制实现开关切换。”

寻找合适的材料

符合这一要求的先进材料被称为相变材料（PCM）。

当受到可控电脉冲作用时，相变材料可在导电相和电阻相之间来回切换，使科学家能够同步其电振荡。即使施加的电脉冲结束后，相变材料也能保持其导电或电阻相。换句话说，它们本质上保留了先前相的“记忆”。

Ganapathy表示："这使得它们的导电水平能随着重复电脉冲逐渐变化，类似于生物突触通过反复激活而增强的过程。"

该团队最近发表的研究中涉及的部分相变材料包括铜钒氧化物青铜、氧化铌，以及其他被称为金属有机框架的化合物。

Kumar称：“我们的实验利用电压和温度来切换材料的导电性，然后将这种效应深入到材料的电子层面进行研究。为了将这些材料作为人工神经元和突触整合到神经形态芯片中，我们需要在原子尺度上理解它们。这就是为什么我们目前正与合作者合作，实现对材料结构的原子级控制，从而精确调节电开关特性。”

Ganapathy补充道：“我们的下一个目标是同步多个器件的振荡，构建一个振荡神经网络，能够模拟复杂的大脑功能，如模式识别、运动控制和其他有规律的行为。”

更接近人类的计算机？

Ganapathy强调，神经形态计算机仅在现象学层面模拟大脑。其目标是复现大脑的功能行为与优势，而非意识。

不过，这类计算机可能会以更接近人类、而非传统计算机的方式解决问题。

当今计算机遵循线性逻辑：相同输入必然产生相同输出。人类大脑则呈现深度非线性特征，即同一情境重复10次，人类可能给出10种不同反应。此外，传统计算机难以处理有限或定义模糊的数据（例如，向AI输入模糊指令时，其输出往往不符合预期），而人类却能很好地应对不完整甚至矛盾的信息。

“因此，为计算机赋予类似人脑的复杂架构，或许能使其以更非线性的方式处理信息，并更好地适应有限数据。”Ganapathy解释道。

研究者认为，这一特性在自动驾驶等领域尤为重要：尽管AI在多数路况下表现出色，但在处理无标准答案的复杂场景时（如前方突然窜出鹿、后方车辆紧贴尾随的情况），仍不及人类决策能力。

事实上，考虑到自动驾驶需在设备本地进行实时决策，而非依赖千里之外的远程服务器，神经形态芯片可能是该领域的最佳应用场景之一。

“神经形态芯片短期内或许不会出现在智能手机中，但若用于自动驾驶等特定场景，我认为前景可期。例如，可以用一块芯片处理路况响应，另一块规划最优路线。”Ganapathy补充道，“未来不太可能出现一台全能的大型神经形态计算机，而是会有多种专用芯片，分别解决不同问题。”