人工智能与神经形态计算之间的桥梁

在人工智能迅速发展的背景下，硬件设备的需求也在不断增长。最近，普渡大学、加利福尼亚大学圣地亚哥分校和巴黎高等物理和化学工业学校之间的合作取得了突破性的进展。这一合作标志着神经形态计算领域的重大进步，这是一种革命性的方法，旨在模仿人类大脑的机制在计算架构中。

当前人工智能硬件的挑战

人工智能的快速发展带来了复杂的算法和模型，这些需要大量的计算能力。然而，随着我们深入人工智能的领域，一个明显的挑战出现了：当前的硅基计算机架构无法满足人工智能技术不断发展的需求。

普渡大学物理和天文学系的埃里卡·卡尔森教授明确指出这一挑战。她解释说，“人工智能革命的脑灵感代码主要是在传统的硅基计算机架构上运行的，而这些架构并不是为此而设计的。”这一观察强调了现有硬件和人工智能先进算法之间的根本性脱节，现有硬件主要是为通用计算而设计的。

这种不匹配，如卡尔森所指出的，不仅限制了人工智能的潜在应用，还导致了显著的能量低效。硅芯片，这些数字时代的主导者，根本不适合神经网络和深度学习模型所需的并行和相互连接的处理。传统的CPU（中央处理器）和GPU（图形处理器）的线性和顺序处理能力与人工智能计算的需求形成鲜明对比。

神经形态计算的揭幕

合作研究成果已在他们的研究论文“空间分布的坡度逆转记忆在VO2中”中详细描述。这项研究宣告了一种新的计算硬件方法的诞生，这种方法的灵感来自人类大脑的突触操作。

这一突破的核心概念是神经形态计算。与传统的计算架构不同，神经形态计算旨在模仿人类大脑的结构和功能，特别关注神经元和突触。神经元是大脑中的信息传递细胞，突触是允许信号从一个神经元传递到另一个神经元的间隙。在生物大脑中，这些突触对于编码记忆至关重要。

该团队的创新之处在于他们使用了钒氧化物，这些材料非常适合创建人工神经元和突触。这种材料的选择标志着对传统硅基方法的重大偏离，体现了神经形态架构的本质——在计算芯片中复制类似大脑的行为。

能效和增强计算

这一突破的影响是深远的，特别是在能效和计算能力方面。卡尔森阐述了潜在的益处，称：“神经形态架构具有降低能耗的潜力，增强计算，根本上不同的计算模式，原生学习和增强的模式识别。”这种转向神经形态计算可能会重新定义人工智能硬件的格局，使其更加可持续和高效。

神经形态计算的一个最令人信服的优势是其在显著降低大型语言模型（如ChatGPT）训练所需能耗方面的潜力。目前这些模型的高能耗主要归因于硬件和软件之间的不匹配——一个神经形态计算旨在弥合的差距。通过模仿大脑的基本组成部分，这些架构提供了一种更自然、更高效的方式，使人工智能系统能够处理和学习数据。

此外，卡尔森指出硅在复制神经元样行为方面的局限性，这是人工智能硬件进步的一个关键方面。神经形态架构，能够模仿突触和神经元，将会革命性地改变人工智能系统的工作方式，使其更接近于人类的认知过程。

该研究的一个关键元素是钒氧化物的创新应用。这种材料已显示出模拟人类大脑神经元和突触功能的巨大潜力。来自索邦大学和ESPCI的领先实验科学家亚历山大·齐默斯强调了这一突破，称：“在二氧化钒中，我们观察到它像一个人工突触一样表现，这是我们理解的一个重大飞跃。”

该团队的研究导致了一种更简单、更高效的存储记忆的方法，类似于人类大脑的工作方式。通过观察钒氧化物在不同条件下的行为，他们发现记忆不仅仅存储在材料的隔离部分，而是分布在整个材料中。这一见解至关重要，因为它表明了设计和构建神经形态设备的新方法，这些设备可以更有效、更高效地处理信息，就像人类大脑一样。

推进神经形态计算

在他们开创性的发现基础上，研究团队已经为他们工作的下一阶段制定了计划。凭借观察神经形态材料变化的能力，他们计划通过局部调整材料的特性来进行进一步的实验。齐默斯解释了这种方法的潜力：“这将使我们能够引导电流通过样本中记忆效应最大的特定区域，从而显著增强这种神经形态材料的突触行为。”

这一方向为神经形态计算的未来打开了令人兴奋的可能性。通过改进对这些材料的控制和操作，研究人员旨在创建更高效、更有效的神经形态设备。这样的进步可能会导致能够更紧密地模仿人类大脑复杂性的硬件，从而为更复杂、更节能的人工智能系统铺平道路。