人工智能（AI）已經(jīng)融入我們的日常生活：AI給我們推薦音樂、翻譯語言，甚至輔導(dǎo)作業(yè)。然而科學(xué)家希望AI 承擔(dān)更有難度的任務(wù)，比如引導(dǎo)自動駕駛汽車，協(xié)助醫(yī)生分析醫(yī)學(xué)影像，在危險環(huán)境中操控救援無人機。問題在于，現(xiàn)有的計算機并不是為持續(xù)學(xué)習(xí)和快速決策而設(shè)計的。它們會遇到“內(nèi)存墻”問題，也就是計算機在搬運數(shù)據(jù)而非處理數(shù)據(jù)上浪費時間和能量，導(dǎo)致速度下降。

為了突破這一瓶頸，研究人員把目光投向人腦尋找靈感。人腦中的神經(jīng)元既能處理信息，又能在網(wǎng)絡(luò)中彼此連接、不斷學(xué)習(xí)，還會通過短促的電脈沖傳遞信號以節(jié)省能量。新一代計算機芯片正通過模仿這些機制，讓AI更快、更高效。這些進展有望大幅降低計算機的能耗，為更快速、更環(huán)保的技術(shù)鋪平道路。

AI 需要更快速、更聰明的計算機

短短幾十年前，人工智能（AI）只存在于科幻電影里——駕駛宇宙飛船，或者操控一臺忠誠的機器人伙伴。而現(xiàn)在，我們可能都沒有意識到，我們每天都在和 AI 打交道。比如YouTube 和Spotify會根據(jù)你之前的選擇，推薦你可能感興趣的視頻和歌曲；谷歌翻譯用它翻譯各種語言；而像 ChatGPT 這樣的智能平臺，更是可以回答問題、創(chuàng)作圖像、寫故事，甚至幫忙做作業(yè)。

AI工具展現(xiàn)出的種種令人驚嘆的能力，都需要強大的計算能力作為支撐。研究人員正在努力開發(fā)AI的更多功能，比如讓自動駕駛汽車穿過繁忙的街道、輔助醫(yī)生用醫(yī)學(xué)影像精準(zhǔn)診斷疾病，或在自然災(zāi)害后操控救援無人機。這類場景要求 AI 系統(tǒng)在瞬間完成“感知—規(guī)劃—行動”，根本沒有時間等待電腦慢慢反應(yīng)。然而，現(xiàn)在的許多計算機主要是為日常工作設(shè)計的：比如運行各種應(yīng)用、看視頻、寫文檔、上網(wǎng)瀏覽、做表格等，不用達到AI 所需的那種極高算力。AI需要一邊高速、持續(xù)地處理海量數(shù)據(jù)，一邊進行學(xué)習(xí)和實時決策。AI 在高風(fēng)險場景中所需的高能耗，與當(dāng)前計算機能耗有限的供需錯位，正是當(dāng)今科學(xué)家和工程師面臨的重大挑戰(zhàn)之一 [1]。

為什么現(xiàn)在的計算機對 AI 來說“太慢了”？

要理解這個問題，不妨先來看看計算機的基本結(jié)構(gòu)。每一臺計算機都有兩個核心部分：硬件和軟件。硬件是實體物理部件，比如芯片、電路和導(dǎo)線；軟件則是一套指令系統(tǒng)，無論是運行游戲、編輯照片，還是發(fā)送一條短信，都是軟件在告訴硬件什么時候做什么事。提到 AI，人們總是聚焦在軟件上——比如語言翻譯、圖像識別等程序。但軟件受限于硬件，因為真正決定計算能力上限的，是計算機內(nèi)部的物理芯片和電路本身。

為什么硬件會抑制速度呢？典型的計算機硬件有兩個核心部件：一個負(fù)責(zé)存儲信息，稱為內(nèi)存；另一個負(fù)責(zé)執(zhí)行計算指令，稱為處理器。每當(dāng)處理器需要某條信息時，都必須先從內(nèi)存中取出來，才能進行處理（見圖1-A）。你可以把這個過程想象成這樣：你在數(shù)學(xué)教室做作業(yè)，計算器就在你桌子上，但計算所需的數(shù)據(jù)卻放在走廊另一頭的圖書館里。每次要用數(shù)字，你都得停下手頭的工作，跑到圖書館把數(shù)據(jù)拿回來。來回奔波中速度被拖慢，還消耗了大量能量（見圖1-B）。

▲圖 1 - (A) 計算機硬件主要由兩個核心部分組成：負(fù)責(zé)存儲信息的內(nèi)存和負(fù)責(zé)執(zhí)行計算任務(wù)的處理器。傳統(tǒng)計算機中，每當(dāng)處理器執(zhí)行指令時，都必須先從內(nèi)存中調(diào)取所需數(shù)據(jù)。這種頻繁的數(shù)據(jù)往返被稱為“內(nèi)存墻問題”，它會嚴(yán)重拖延傳統(tǒng)計算機使用AI系統(tǒng)時的速度。（B）可以這樣理解“內(nèi)存墻”：好比你在課桌前做數(shù)學(xué)作業(yè)，但每當(dāng)需要一個數(shù)據(jù)時，都必須跑到走廊另一頭的圖書館去取。不僅效率低下，還消耗大量體力。

大多日常計算機執(zhí)行一次任務(wù)只需要處理少量數(shù)據(jù)，而人工智能對硬件提出了更高的要求。AI系統(tǒng)包含數(shù)百萬甚至數(shù)十億條信息，這些信息必須被反復(fù)檢查，以識別模式或做出決策。數(shù)據(jù)在內(nèi)存與處理器之間不斷往返，導(dǎo)致計算機內(nèi)部大大減速。研究人員將這種現(xiàn)象稱為“內(nèi)存墻問題”（memory wall problem）[2]。即使處理器已經(jīng)準(zhǔn)備好開始運算，它的大部分時間卻花在等待數(shù)據(jù)上，導(dǎo)致能源浪費，性能下降——這兩點都是AI無法承受的，AI需要在現(xiàn)實世界中迅速反應(yīng)。另一個重要因素是每條信息在存儲時所占用的內(nèi)存大小。計算機通常為每一條信息分配等量的數(shù)字存儲空間，就像不管物品大小，都給每個人發(fā)一個同樣大的箱子。這浪費了內(nèi)存資源，也拖延了AI的運行速度。

向大腦學(xué)習(xí)

在計算能力和內(nèi)存管理方面，人腦的效率遠遠超過我們當(dāng)下制造的任何計算機。為了克服“內(nèi)存墻問題”，科學(xué)家們正在從人腦中汲取靈感。被稱為神經(jīng)元（neurons）的腦細(xì)胞在處理外界和身體信號方面尤為重要——例如視覺、聽覺、觸覺、運動，甚至記憶。神經(jīng)元之所以不同于傳統(tǒng)處理器，主要體現(xiàn)在三個重要特征上。

首先，神經(jīng)元既能存儲信息，也能處理信息。每個神經(jīng)元都會從其他神經(jīng)元接收微小的電信號或化學(xué)信號。它會把所有輸入的信號進行累加，判斷信號是否足夠強以繼續(xù)傳遞，如果夠強，就會向其他神經(jīng)元發(fā)送自己的信號。神經(jīng)元還通過增強或減弱與其他神經(jīng)元之間的連接來儲存信息，這些連接被稱為突觸（synapses）。這意味著，一個神經(jīng)元既可以處理信號，又可以存儲記憶，而無需像傳統(tǒng)計算機硬件那樣不斷地來回移動數(shù)據(jù)。這種高效的數(shù)據(jù)展示和處理方式節(jié)省了內(nèi)存，也加快了信息傳輸速度。

其次，神經(jīng)元形成的靈活網(wǎng)絡(luò)既能變化又能學(xué)習(xí)（見圖2-A）。大腦的強大之處在于數(shù)十億個神經(jīng)元協(xié)同工作。單個神經(jīng)元做不了太多任務(wù)，但龐大的神經(jīng)網(wǎng)絡(luò)卻可以識別朋友的面孔、理解語言，或者規(guī)劃一個動作。隨著神經(jīng)元之間的連接不斷增強或減弱，這些網(wǎng)絡(luò)也在持續(xù)變化，這正是大腦從經(jīng)驗中學(xué)習(xí)的方式。相比之下，傳統(tǒng)計算機電路無法自行改變其連接方式。

第三，神經(jīng)元只在需要時才發(fā)送信號。神經(jīng)元不像當(dāng)今的計算機芯片那樣持續(xù)不斷地傳輸信息，而只在有重要信息需要傳遞時，進行短暫的電活動陣發(fā)，稱之為“脈沖”（spikes）——就像一個簡短的提示音在說“注意！”。這種“走走停停”的通信方式在保證大腦能夠迅速對外界做出反應(yīng)的同時，節(jié)省了大量能量。當(dāng)計算機科學(xué)家嘗試在機器中復(fù)制這種機制時，他們將這一理念稱為“基于脈沖的計算”。

▲圖2-（A）大腦中的神經(jīng)元被組織成網(wǎng)絡(luò)，這些網(wǎng)絡(luò)可以根據(jù)彼此之間連接的強度，同時存儲和處理信息。神經(jīng)元之間的連接在數(shù)量和強度上都可以發(fā)生變化，這正是大腦從經(jīng)驗中學(xué)習(xí)的方式。神經(jīng)元還會在必要時才發(fā)送“脈沖”信號進行通信，從而節(jié)省能量。（B）為了克服“存儲墻”問題，使AI系統(tǒng)運行得更快、更高效，工程師們正在嘗試設(shè)計更快速的計算機硬件，稱為類腦芯片。這些芯片由相互連接的單元組成，結(jié)合了存儲與處理功能，具有類似大腦的靈活連接方式，并采用基于脈沖的計算方式。

綜合來看，這三個特性使大腦既強大又高效節(jié)能。工程師希望通過借鑒其中的一些策略，能夠設(shè)計出執(zhí)行AI任務(wù)時速度更快、能耗更低的計算機硬件。同時，計算機科學(xué)家和軟件工程師也需要開發(fā)新的軟件，以配合新的硬件解決方案，充分發(fā)揮其潛力。

腦啟發(fā)計算：打造更智能的硬件

邁向腦啟發(fā)計算的一步是“存內(nèi)計算”（compute-in-memory，CiM）。CiM 是一種新興技術(shù)，其靈感來源于大腦神經(jīng)元的第一個關(guān)鍵特征：在同一物理硬件中結(jié)合存儲與處理功能 [3, 4]。不同于目前芯片將存儲與計算分開的設(shè)計，基于 CiM 的芯片被設(shè)計為可以在存儲器內(nèi)部——也就是數(shù)據(jù)存放的位置——直接執(zhí)行加法或乘法等簡單計算，十分類似神經(jīng)元既保存信息又處理信號的方式。在之前關(guān)于數(shù)學(xué)作業(yè)的比喻中，CiM 就像是把計算器搬進圖書館，這樣你就可以在查閱資料的同時完成計算，而不必不停地來回奔跑。通過減少額外的數(shù)據(jù)傳輸，CiM 芯片有望讓AI系統(tǒng)運行得更快、更高效。

類腦芯片（neuromorphic chips）在此基礎(chǔ)上更進一步 [5]。“Neuromorphic”一詞的意思是“形似大腦”，這類芯片由大量微小單元構(gòu)成，這些單元就像大腦中神經(jīng)元和突觸的簡化版本（圖2-B）。每個單元都可以發(fā)送和接收信號，調(diào)節(jié)與其他單元之間連接的強度，并且只在有新信息到達時才通過短暫的活動陣發(fā)（脈沖）進行通信——類似于腦細(xì)胞的工作方式。將成千上萬甚至數(shù)百萬個這樣的單元連接起來，就可以形成一個能夠從模式中學(xué)習(xí)并適應(yīng)新情況的網(wǎng)絡(luò)。研究人員還在開發(fā)脈沖神經(jīng)網(wǎng)絡(luò)（spiking neural networks，SNNs），這是一類專門與上述硬件相匹配而構(gòu)建的AI程序（軟件）[6, 7]。與使用持續(xù)信號處理信息的傳統(tǒng)計算方式不同，SNNs 被設(shè)計為以“脈沖”的形式工作。對硬件和軟件進行同步優(yōu)化，能夠?qū)崟r解決問題，例如在圖像、語音或動作發(fā)生的同時進行識別——而所消耗的能量遠低于當(dāng)今的芯片。

這些受大腦啟發(fā)的芯片還采用了一種叫做“量化（quantization）”的技術(shù)。量化通過將數(shù)據(jù)存儲為更簡單、更小的單元，使計算機在不丟細(xì)節(jié)的情況下運行得更快。量化能夠降低內(nèi)存需求，并在僅損失少量精確度的前提下加快處理速度。綜合來看，存內(nèi)計算、類腦設(shè)計以及量化技術(shù)共同推動更智能硬件的誕生，使其運行更快、更高效——和人類大腦非常相似。

存內(nèi)計算（CiM）和類腦芯片目前都仍處于研究階段。CiM 可能更接近實際應(yīng)用，而類腦芯片則代表著一個更長期的目標(biāo)——未來有望實現(xiàn)類似大腦的計算方式。但它們都表明，通過借鑒生物學(xué)原理，我們有望設(shè)計出能支持更強大AI的計算機。訓(xùn)練目前最先進的AI系統(tǒng)所消耗的電力，相當(dāng)于數(shù)百個家庭一整年的用電量，而這還不包括全球各地數(shù)據(jù)中心已經(jīng)消耗的大量能源。減少能源需求將使AI更加實用，同時降低它對全球氣候的負(fù)面影響。研究人員將這些進展視為邁向“融合平臺”（converged platform）的階梯。融合平臺是一種被設(shè)計為既能運行當(dāng)今數(shù)據(jù)饑渴型AI系統(tǒng)，又能支持未來類腦AI程序的單一類型計算機硬件。

更智能的硬件：未來的實際應(yīng)用

想象一架救援無人機在地震后飛入一棟坍塌的建筑物——每一秒都至關(guān)重要。無人機上搭載的AI系統(tǒng)可能經(jīng)過訓(xùn)練，能夠飛入危險或狹小的空間，為救援人員繪制安全路線，甚至通過掃描熱量或聲音來定位被困的幸存者 [8]。為了完成這些任務(wù)，AI必須處理來自攝像頭和傳感器的信息，判斷前進方向，并在沒有延遲的情況下持續(xù)飛行（圖3）。如果其計算機因為“存儲墻”造成的數(shù)據(jù)擁堵而耗時過多，無人機可能會撞上廢墟、忽視幸存者的跡象，或在分秒必爭的時刻無法為救援人員提供指引。

▲圖3 一架由人工智能驅(qū)動的救援無人機必須以極快的速度處理來自傳感器的信息，這樣才能在分秒必爭的情況下，在危險環(huán)境（如坍塌的建筑物）中精確移動。

像存內(nèi)計算（CiM）和類腦芯片這樣的新型硬件理念，再結(jié)合脈沖神經(jīng)網(wǎng)絡(luò)等類腦軟件，讓完成這類生死攸關(guān)的任務(wù)成為可能，且不僅適用無人機，也適用于其他許多場景。手機和筆記本電腦可以運行高級AI應(yīng)用，卻不耗電、不發(fā)燙；自動駕駛汽車能夠?qū)Φ缆飞系奈ｋU作出即時反應(yīng)；醫(yī)療設(shè)備可以實時處理來自人體的信號，幫助醫(yī)生迅速發(fā)現(xiàn)問題。而為全球大量計算任務(wù)提供支持的大型數(shù)據(jù)中心，也能以更低的能耗運行。盡管這些設(shè)計主要是為支持AI而開發(fā)的，但它們也會讓許多日常計算任務(wù)更快、更高效。

未來之路

隨著AI在我們的世界中變得越來越重要，計算機必須能夠準(zhǔn)確、快速地處理信息，同時避免浪費能源。當(dāng)今的硬件受限于“存儲墻”問題——數(shù)據(jù)在存儲器與處理器之間來回傳輸，占用了過多時間。為了解決這一問題，研究人員正在重新思考計算機的構(gòu)建方式。存內(nèi)計算芯片將數(shù)據(jù)存儲在計算位置，而類腦系統(tǒng)則借鑒了大腦神經(jīng)元網(wǎng)絡(luò)的工作原理。這兩種方法旨在減少能量浪費，并使AI能夠在更高要求的新環(huán)境中運行。

這些技術(shù)目前大多仍處于研究階段?？茖W(xué)家和工程師仍面臨許多挑戰(zhàn)，如確保穩(wěn)定產(chǎn)出，做到足夠小巧便宜，才能應(yīng)用于日常設(shè)備，還要證明它們能夠應(yīng)對現(xiàn)代計算的巨大需求。不過，硬件和軟件領(lǐng)域都在不斷進展中。如果研究人員能夠成功，那么限制當(dāng)今計算機性能的“存儲墻”會成為歷史。這就意味著在應(yīng)急響應(yīng)、醫(yī)療以及日常技術(shù)等領(lǐng)域中，AI將更加快速、高效的同時降低計算的能源負(fù)擔(dān)，在AI日益融入世界的同時，幫助保護地球不斷變化的氣候。

參考資料

[1] Horowitz, M. 2014. “1.1 Computing’s energy problem (and what we can do about it)”, in IEEE International Solid-State Circuits Conference Digest of Technical Papers (ISSCC), (San Francisco, CA: IEEE).

[2] Wulf, W. A., and McKee, S. A. 1995. Hitting the memory wall: implications of the obvious. ACM SIGARCH Comput Archit News. 23:10–20. doi: 10.1145/216585.21658

[3] Chang, M., Lele, A. S., Spetalnick, S. D., Crafton, B., Konno, S., and Wan, Z. 2023. “A 73.53 TOPS/W 14.74 TOPS heterogeneous RRAM in-memory and SRAM near-memory SoC for hybrid frame and event-based target tracking”, in IEEE International Solid-State Circuits Conference (ISSCC), (San Francisco, CA: IEEE), 426–8.

[4] Agrawal, A., Ali, M., Koo, M., Rathi, N., Jaiswal, A., and Roy, K. 2021. IMPULSE: a 65-nm digital compute-in-memory macro with fused weights and membrane potential for spike-based sequential learning tasks. IEEE Solid State Circuits Lett. 4:137–40. doi: 10.1109/LSSC.2021.3092727

[5] Davies, M., Srinivasa, N., Lin, T.-H., Chinya, G., Cao, Y., Choday, S. H., et al. 2018. Loihi: a neuromorphic manycore processor with on-chip learning. IEEE Micro 38:82–99. doi: 10.1109/MM.2018.112130359

[6] Roy, K., Jaiswal, A., and Panda, P. 2019. Towards spike-based machine intelligence with neuromorphic computing. Nature 575:607–17. doi: 10.1038/s41586-019-1677-2

[7] Kosta, A. K., and Roy, K. 2023. “Adaptive-spikenet: event-based optical flow estimation using spiking neural networks with learnable neuronal dynamics”, in IEEE International Conference on Robotics and Automation (ICRA), (London, United Kingdom: IEEE).

[8] Wan, Z., Qian, J., Du, Y., Jabbour, J., Du, Y., Zhao, Y., et al. 2025. Generative AI in Embodied Systems: System-Level Analysis of Performance, Efficiency and Scalability. 26–37. doi: 10.1109/ISPASS64960.2025.00013

作者

Kaushik Roy

Kaushik Roy 是美國印第安納州普渡大學(xué)（Purdue University）愛德華·G·蒂德曼 (Edward G. Tiedemann, Jr.) 杰出教授，取得了伊利諾伊大學(xué)厄巴納-香檳分校（University of Illinois at Urbana-Champaign）的博士學(xué)位。他的研究包括 AI 算法、AI 硬件、神經(jīng)形態(tài)計算、神經(jīng)仿生器件，以及系統(tǒng)與技術(shù)的協(xié)同設(shè)計。Roy 博士曾獲得美國國家科學(xué)基金會職業(yè)獎、IBM 教師合作獎、AT&T-朗訊（ATT/Lucent）基金會獎、SRC（半導(dǎo)體研究協(xié)會）技術(shù)卓越獎、發(fā)明家獎、普渡大學(xué)工程學(xué)院研究卓越獎、杰出導(dǎo)師獎、洪堡研究獎、IEEE 電路與系統(tǒng)學(xué)會查爾斯·德蘇爾（Charles Desoer）獎、IEEE TCVLSI 杰出研究獎、印度理工學(xué)院克勒格布爾分校（Indian Institute of Technology Kharagpur）杰出校友獎、富布賴特-尼赫魯杰出主席（Fulbright-Nehru Distinguished Chair）、美國國防部萬尼瓦爾·布什學(xué)者（DoD Vannevar Bush Faculty）、SRC亞里士多德獎（SRC Aristotle Award）、普渡大學(xué)阿登·L·貝門特獎（Arden L. Bement Jr. Award）、2022 年 SRC 創(chuàng)新獎，以及奧胡斯大學(xué)榮譽博士學(xué)位。工作之余，他喜歡讀書、喝咖啡、打羽毛球和探索美食。kaushik@purdue.edu

Adarsh Kumar Kosta

Adarsh Kosta 目前是普渡大學(xué)（Purdue University）埃爾莫爾電氣與計算機工程學(xué)院（Elmore School of Electrical and Computer Engineering）的博士生。他的研究興趣包括腦啟發(fā)高效計算、基于事件視覺、生成式 AI，以及涉及硬件-軟件協(xié)同設(shè)計的自主智能機器人系統(tǒng)的深度學(xué)習(xí)。他獲得了印度理工學(xué)院克勒格布爾分校（IIT Kharagpur）電子與電氣通信工程的雙學(xué)士/碩士學(xué)位。Adarsh 的職業(yè)經(jīng)歷包括在三星 AI 中心紐約實習(xí)、在英屬哥倫比亞大學(xué) CARIS 實驗室的 MITACS 暑期實習(xí)，以及在 IBM 印度的 Extreme Blue 實習(xí)。他還是印度國家科學(xué)人才促進計劃 Kishore Vaigyanik Protsahan Yojana (KVPY) 學(xué)者。學(xué)術(shù)追求之外，他熱愛大自然愛，喜歡在旅行中拍攝精彩的野生動物和風(fēng)景。他還定期練習(xí)瑜伽以舒緩壓力和加強正念。

Arijit Raychowdhury

Arijit Raychowdhury 是佐治亞理工學(xué)院電氣與計算機工程學(xué)院（Georgia Institute of Technology）的教授及史蒂夫·W·查德威克學(xué)院的（Steve W. Chaddick School）主席。他的研究興趣包括通用計算和特定領(lǐng)域加速器的節(jié)能硬件設(shè)計。在進入學(xué)術(shù)界之前，他曾在英特爾公司和德州儀器公司擔(dān)任研究員。工作之外，他喜歡閱讀和攝影。

小審讀員

Aria（阿莉亞），13歲

阿莉亞喜歡和她的兩只豚鼠玩，也喜歡在后院喂鳥和松鼠。她給每只松鼠取了獨特的名字，給它們喂許多花生。他對科學(xué)充滿好奇，對自然、動物和宇宙有很多疑問。她空閑時喜歡唱歌和畫畫。

Hrdaya（赫德亞），12歲

我特別喜歡讀書，熱衷于給讀過的書寫書評。英語和科學(xué)是我最喜歡的科目。在不讀書的時候，我喜歡下棋。我也很好奇周圍的一切，還很喜歡動物，喜歡和我的寵物鳥玩，給它們喂食。

文章來源

Frontiers for Young Minds官網(wǎng)：

https://kids.frontiersin.org/articles/10.3389/frym.2025.1736588?utm_source=wechat&utm_medium=social

Frontiers for Young Minds 期刊已經(jīng)發(fā)表了近 2000 篇文章，作者來自 50 余家全球頂級機構(gòu)，其中包括 33 名諾貝爾獎獲得者。文章經(jīng)由來自全球各地的 1 萬余名 8-15 歲的少年審稿人審閱批準(zhǔn)后出版。這些經(jīng)青少年審閱并發(fā)布的文章，收獲了來自 230 個國家/地區(qū)超過 6000 萬次瀏覽。

編譯：程歡