20瓦就能运行下一代AI？科学家瞄上了神经形态计算

ttxx

鹭羽 发自 凹非寺
量子位 | 公众号 QbitAI

「西部世界」真的要来了！科学家们正试图为AI装上人类大脑。

最新进展由美国国家实验室主导。科学家们正在试图将科幻拉进现实：打造一台占地仅两平方米、神经元数量堪比人脑皮层的超级计算机。

更令人惊叹的是，计算表明，这台神经形态计算机的运行速度可能比生物大脑快25万到100万倍，而功耗仅需10千瓦（仅略高于家用空调的能耗），这无疑是对当前AI发展困境的一剂强心剂。

目前人工智能正面临一场“能源危机”，随着大语言模型等技术的爆炸式发展，其惊人的耗电量已成为无法忽视的沉重负担。

预测显示，到2027年，仅运行这些模型的电费就可能高达25万亿美元——甚至超过美国当年的GDP。

然而相比之下，自然界最强大的智能体——人类大脑，每天只需消耗约20瓦，仅相当于家用LED灯泡的功率。科学家们不禁思考：能否让AI也像人脑一样高效？

答案是：神经形态计算。

这项旨在模拟人脑结构和运作方式的前沿技术，正被视为下一代AI的关键方向，其核心目标之一，就是用“灯泡级”的能耗驱动强大的智能。

神经形态计算：向大脑学习

在人类大脑中，约有860亿个复杂神经元相互工作，并通过100万亿个突触共同构建起一张巨大的信号传递网络。

神经形态计算受其结构和功能启发，采用模仿生物神经网络的节能型电子和光子网络，即脉冲神经网络（SNN）构建，旨在将记忆、处理和学习整合到一个统一的设计中。

其主要特点包含：

<ol>

事件驱动型通信：仅在峰值和事件驱动下激活必要的电路，从而降低功耗。

内存计算：数据处理发生在存储位置以减少传输延迟。

适应性：系统会随着时间的推移自行学习和发展，而无需集中更新。

可扩展性：神经形态系统的架构允许轻松扩展，可以容纳更广泛和复杂的网络，同时不会大幅增加资源需求。</ol>与当前依靠二进制超级计算机处理的人工智能模型不同，它可以根据对世界的认知进行动态调整，更智能、更灵活，也更不容易被干扰。

举个例子，当测试员穿着印有停车标志的T恤在自动驾驶汽车面前走过，由传统AI控制的汽车因为无法辨别上下文，做出了停车反应。

相反的是，神经形态计算机是通过反馈循环和上下文驱动的校验来处理信息，它能明确判断出停车标识位于T恤上，从而让汽车继续行驶。

这种差异并不让人意外，毕竟神经形态计算模拟的是自然界中最高效、最强大的推理和预测引擎，科学家们也由此相信，下一波人工智能的技术爆发必定是物理学与神经科学的结合。

新一轮技术革命前瞻

目前，相关研究正在如火如荼展开。现有的神经形态计算机，拥有10亿多个神经元，由1000多亿个突触连接，虽然和人类大脑的复杂程度相比还只是九牛一毛，但它也合理证明了，该项技术完全可以实现大脑级扩展。

美国国家标准与技术研究院的Jeff Shainline表示：

• 一旦我们能够在商业铸造厂实现创建网络的完整流程，我们就可以迅速扩展到非常庞大的系统，能制造出一个神经元，那么制造一百万个神经元就相当容易。

而IBM和Intel等科技公司正处于这场技术革命的最前沿，IBM于2014年研发的TrueNorth芯片以及英特尔在2018年推出的Loihi芯片，都是旨在模拟大脑神经活动的硬件产品，为后续的新AI模型铺平了道路。

此外，一些专注于研究神经形态计算的初创公司也开始崭露头角，例如BrainChip推出了Akida神经形态处理器，专为低功耗但功能强大的边缘AI设计，可以广泛应用于始终在线的智能家居、工厂或城市传感器。

同时据The Business Research Company预计，到2025年，全球神经形态计算市场规模将呈指数级增长，达到18.1亿美元，复合年增长率高达25.7%。

而从更长远来看，科学家们希望神经形态计算将会超越人工智能传统界限，更接近人类智能推理模式，为下一代智能系统乃至于AGI带来全新的技术突破。

参考链接：
[1]https://www.lanl.gov/media/publications/1663/1269-neuromorphic-computing
[2]https://news.ycombinator.com/item?id=44194469
[3]https://www.linkedin.com/pulse/neuromorphic-computing-end-quantum-computingor-even-human-yjhac/
[4]https://www.prodigitalweb.com/neuromorphic-computing-brain-inspired-ai/
[5]https://exoswan.com/neuromorphic-computing-startups?ref=quuu&utm_content=bufferede84&utm_medium=social&utm_source=twitter.com&utm_campaign=buffer


来源：网易