（本文編譯自Semiconductor Digest）
據估計，人工智能（AI）模型生成一條文本回復可能需要消耗超過6000焦耳的能量。
相比之下，人類大腦每秒僅需20焦耳能量，就能維持生命體征和認知功能。正因如此，布法羅大學的研究人員正從人腦運作機制中汲取靈感，致力于研發新型計算架構，以滿足人工智能日益增長的能源需求。
布法羅大學物理系教授、文理學院研究副院長Sambandamurthy Ganapathy博士指出：“世界上沒有任何事物能像人類大腦一樣高效——它在進化過程中實現了信息存儲與處理的最大化，同時將能量消耗降至最低。盡管大腦的復雜程度遠超現有技術的復刻能力，但我們可以模擬其信息存儲與處理模式，從而制造出能效更高的計算機，進而推動人工智能的節能化發展?！?/span>
這種受大腦啟發的計算模式被稱為神經形態計算。其概念可追溯至20世紀80年代，但近年來隨著計算任務（尤其是人工智能相關任務）的能耗需求和復雜度持續攀升，該領域的研究價值愈發凸顯。
盡管神經形態計算可涉及腦啟發的硬件與軟件，但Ganapathy的團隊專注于硬件研發。他們的研究由美國國家科學基金會資助，融合了量子科學與工程，致力于探索可用于構建神經形態計算機芯片的材料所具備的獨特電學特性。
該團隊的終極目標是開發不僅更節能，而且能更出色完成任務的芯片與設備——甚至可能以更接近人類的方式運作。
“如今的計算機是為簡單重復任務設計的，但隨著人工智能的興起，我們不再只想解決簡單問題，”Ganapathy表示，“我們希望計算機能像人類每天所做的那樣，解決復雜問題。神經形態計算或許能提供這樣的架構，讓計算機實現這一點?！?/span>
計算機與大腦本就存在相似性
模擬人類大腦的計算機并非如你想象般遙不可及。
計算機通過數十億個晶體管將所有信息編碼為二進制（0和1）——這些微小的開關元件要么導電（表示1），要么阻斷電流（表示0）。而人類大腦的信息編碼方式竟有著驚人的相似性：我們擁有數十億個神經元，它們要么發射電信號，要么保持靜默，恰似晶體管的開關狀態。
“神經形態計算的核心目標，正是突破二進制框架的局限，向自然界賦予我們的復雜系統更進一步?！盙anapathy實驗室的研究生Nitin Kumar解釋道。
同一空間內的存儲與處理
大腦相較于計算機更為復雜且節能的一點在于：信息的存儲與處理發生在同一位置。
“大腦并非左半球存儲所有記憶、右半球負責所有學習，”Ganapathy解釋道，“二者是相互交織的?！?/span>
傳統計算機中，信息存儲與處理是分離的。因此，僅將數據沿微小電路在存儲單元和處理單元之間傳輸，就會消耗大量能量。當計算架構需要支持人工智能模型時，這種能耗會進一步加劇。
“于是問題轉化為：在計算機芯片內，我們能將存儲與處理單元的距離縮短到何種程度？”Ganapathy表示，“這就是所謂的存算一體技術，也是神經形態計算的一大核心優勢?！?/span>
人工神經元與突觸
得益于神經元構成的復雜系統，大腦中的記憶與處理過程得以交織為一體。神經元通過相互連接的突觸傳遞電信號，在龐大的網絡中高效傳輸信息。若用計算機術語類比：突觸負責存儲記憶，而神經元執行處理功能。
因此，Ganapathy團隊正致力于研發人工神經元與突觸，旨在模擬生物原型對信息的電信號傳導機制。
“我們的核心目標是重現腦掃描中可見的節律性同步電振蕩，”Kumar解釋道，“要實現這一點，需用先進材料構建神經元與突觸——這些材料的導電性必須能通過精密控制實現開關切換?！?/span>
尋找合適的材料
符合這一要求的先進材料被稱為相變材料（PCM）。
當受到可控電脈沖作用時，相變材料可在導電相和電阻相之間來回切換，使科學家能夠同步其電振蕩。即使施加的電脈沖結束后，相變材料也能保持其導電或電阻相。換句話說，它們本質上保留了先前相的“記憶”。
Ganapathy表示："這使得它們的導電水平能隨著重復電脈沖逐漸變化，類似于生物突觸通過反復激活而增強的過程。"
該團隊最近發表的研究中涉及的部分相變材料包括銅釩氧化物青銅、氧化鈮，以及其他被稱為金屬有機框架的化合物。
Kumar稱：“我們的實驗利用電壓和溫度來切換材料的導電性，然后將這種效應深入到材料的電子層面進行研究。為了將這些材料作為人工神經元和突觸整合到神經形態芯片中，我們需要在原子尺度上理解它們。這就是為什么我們目前正與合作者合作，實現對材料結構的原子級控制，從而精確調節電開關特性?！?/span>
Ganapathy補充道：“我們的下一個目標是同步多個器件的振蕩，構建一個振蕩神經網絡，能夠模擬復雜的大腦功能，如模式識別、運動控制和其他有規律的行為。”
更接近人類的計算機？
Ganapathy強調，神經形態計算機僅在現象學層面模擬大腦。其目標是復現大腦的功能行為與優勢，而非意識。
不過，這類計算機可能會以更接近人類、而非傳統計算機的方式解決問題。
當今計算機遵循線性邏輯：相同輸入必然產生相同輸出。人類大腦則呈現深度非線性特征，即同一情境重復10次，人類可能給出10種不同反應。此外，傳統計算機難以處理有限或定義模糊的數據（例如，向AI輸入模糊指令時，其輸出往往不符合預期），而人類卻能很好地應對不完整甚至矛盾的信息。
“因此，為計算機賦予類似人腦的復雜架構，或許能使其以更非線性的方式處理信息，并更好地適應有限數據。”Ganapathy解釋道。
研究者認為，這一特性在自動駕駛等領域尤為重要：盡管AI在多數路況下表現出色，但在處理無標準答案的復雜場景時（如前方突然竄出鹿、后方車輛緊貼尾隨的情況），仍不及人類決策能力。
事實上，考慮到自動駕駛需在設備本地進行實時決策，而非依賴千里之外的遠程服務器，神經形態芯片可能是該領域的最佳應用場景之一。
“神經形態芯片短期內或許不會出現在智能手機中，但若用于自動駕駛等特定場景，我認為前景可期。例如，可以用一塊芯片處理路況響應，另一塊規劃最優路線?！盙anapathy補充道，“未來不太可能出現一臺全能的大型神經形態計算機，而是會有多種專用芯片，分別解決不同問題?！?/span>
END
