人工智能
为什么模拟 AI 可能是能效计算的未来
人工智能已经改变了我们的生活方式，驱动着我们每天依赖的工具和服务。从聊天机器人到智能设备，大部分进步都来自数字 AI 。它非常强大，处理大量数据以产生令人印象深刻的结果。但这种力量带来了巨大的成本：能耗。数字 AI 需要巨大的计算能力，消耗大量能量并产生热量。随着 AI 系统的增长，这个能耗负担变得越来越难以忽视。
模拟 AI 可能是答案。通过使用连续信号，它承诺了一条更高效、更可持续的发展道路。让我们探索它如何解决这个日益增长的挑战。
数字 AI 的能耗问题
每次您与聊天机器人交互或流式播放推荐播放列表，某处都有一台计算机处理数据。对于数字 AI 系统，这意味着处理数十亿甚至数万亿的数字。这些系统使用所谓的二进制代码 – 0 和 1 – 来表示和操作数据。这是一种经过验证的方法，但它非常耗能。
AI 模型，尤其是复杂的模型，需要大量的计算能力。例如，深度学习模型需要在大量数据集上运行计算，通常需要数天甚至数周。单个训练会话可以使用与整个城镇一天的电力一样多。并且这只是训练。训练后，这些模型仍需要电力来执行任务，如语音识别、推荐电影或控制机器人。
消耗的能量并不会消失。它变成了热量。这就是为什么您会在数据中心找到巨大的冷却系统。这些系统防止硬件过热，但增加了另一层能耗。这种循环变得不可持续。
AI 系统还需要快速，因为训练它们需要很多试验和实验。每一步都测试不同的设置、设计或数据，以找到什么是最好的。这一过程可能需要很长时间，如果系统很慢。更快的处理速度加快了这些步骤，帮助研究人员调整模型、修复问题并更快地将其准备好用于现实世界。
但数字系统并不是天然适合这种速度。挑战在于它们如何处理数据。信息必须不断在存储器（其中存储数据）和处理器（其中分析数据）之间移动。这种来回移动创建了瓶颈，减慢了速度并消耗了更多的能量。
另一个挑战是数字系统天然适合一次处理任务。这种顺序处理减慢了速度，尤其是对于 AI 模型需要处理的大量数据。像 GPU 和 TPU 这样的处理器通过实现并行处理（同时运行多个任务）有所帮助。但即使这些高级芯片也有其局限性。
问题归结于数字技术如何改进。它依赖于将更多的晶体管压缩到越来越小的芯片中。但随着 AI 模型的增长，我们正在耗尽空间来做到这一点。芯片已经非常小，使它们变得更小变得更加昂贵和困难。更小的芯片带来了自己的问题。它们产生更多的热量和能量浪费，使得平衡速度、功率和效率变得困难。数字系统正在接近极限，而 AI 日益增长的需求使得保持速度变得更加困难。
为什么模拟 AI 可能是解决方案
模拟 AI 为解决数字 AI 的能耗问题带来了新的方法。它不依赖于 0 和 1，而是使用连续信号。这更接近于自然过程的工作方式，即信息流动顺畅。通过跳过将所有内容转换为二进制的步骤，模拟 AI 使用了更少的能量。
它最大的优势之一是将存储器和处理器结合在一个地方。数字系统不断地在存储器和处理器之间移动数据，这耗费了能量并产生了热量。模拟 AI 直接在数据存储的地方执行计算。这节省了能量并避免了数字系统面临的热量问题。
它还更快。没有数据来回移动，任务可以更快地完成。这使得模拟 AI 非常适合于需要速度的任务，例如自动驾驶汽车。它也非常适合同时处理多个任务。数字系统要么一次处理一个任务，要么需要额外的资源来并行运行任务。模拟系统天然适合多任务处理。受大脑启发的神经形态光学神经网络芯片，可以同时在数千个节点上处理信息。这使得它们非常适合于处理图像或语音等任务。
模拟 AI 不依赖于缩小晶体管来改进。相反，它使用新的材料和设计以独特的方式处理计算。一些系统甚至使用光而不是电力来处理数据。这种灵活性避免了数字技术面临的物理和技术限制。
通过解决数字 AI 的能耗和效率问题，模拟 AI 提供了一种方法来继续进步而不耗尽资源。
模拟 AI 的挑战
虽然模拟 AI 有很多潜力，但它并非没有挑战。最大的障碍之一是可靠性。与数字系统不同，数字系统可以轻松检查其操作的准确性，模拟系统更容易受到噪声和错误的影响。电压的小变化可能导致不准确性，并且更难纠正这些问题。
制造模拟电路也更加复杂。由于它们不使用简单的开/关状态，因此设计和生产一致性良好的模拟芯片更加困难。但材料科学和电路设计的进步正在开始克服这些问题。例如，忆阻器变得更加可靠和稳定，使其成为模拟 AI 的可行选择。
结论
模拟 AI 可能是使计算更能效的更智能方法。它将处理和存储器结合在一个地方，工作速度更快，并可以同时处理多个任务。与数字系统不同，模拟 AI 不依赖于缩小芯片，这变得越来越困难。相反，它使用创新设计，避免了我们今天看到的许多能耗问题。
仍然存在挑战，例如保持模拟系统的准确性和使技术可靠。但随着持续的改进，模拟 AI 有潜力在某些领域补充或甚至取代数字系统。这是朝着使 AI 既强大又可持续发展迈出的一步。
