人工智慧和人類思維都依靠電力執行，但這幾乎是物理相似性的終點。人工智慧的輸出源於矽和金屬電路；人類認知源於大量的活體組織。而且這些系統的架構也從根本上不同。傳統計算機在硬體的不同部分儲存和計算資訊，在記憶體和微處理器之間來回傳輸資料。另一方面，人腦將記憶與處理糾纏在一起，有助於提高效率。
計算機相對較低的效率使得執行人工智慧模型成本極高。資料中心是計算機器和硬體的儲存地，佔全球電力消耗的1%到1.5%，到2027年，新的人工智慧伺服器單元可能每年消耗至少85.4太瓦時，超過許多小國每年的用電量。西北大學化學家兼工程師馬克·赫薩姆說，大腦“效率更高”。 “多年來，我們一直試圖找到能夠更好地模仿大腦計算方式的裝置和材料”，這被稱為神經形態計算機系統。
現在，赫薩姆和他的同事們朝著這個目標邁出了關鍵的早期一步，他們重新設計了電子電路最基本的構建模組之一——電晶體，使其功能更像神經元。電晶體是微小的、類似開關的裝置，可以控制和產生電訊號——它們就像計算機晶片的神經細胞，幾乎是所有現代電子裝置的基礎。這種新型電晶體被稱為莫爾條紋突觸電晶體，將記憶與處理整合在一起，以減少能源消耗。正如去年12月發表在《自然》雜誌上的一項研究中所述，這些類腦電路提高了能源效率，並使人工智慧系統能夠超越簡單的模式識別，進入更像大腦的決策。
支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保有關塑造我們當今世界的發現和想法的具有影響力的故事的未來。
為了將記憶直接融入電晶體的功能中，赫薩姆的團隊轉向了二維材料，這種材料具有非常薄的原子排列，當以不同的方向彼此疊放時，會形成迷人的、萬花筒般的圖案，稱為莫爾超晶格。當電流施加到材料上時，高度可定製的圖案使科學家能夠精確控制電流的流動。它們特殊的量子特性使它們能夠創造出一種特定的電子狀態，可以在沒有持續供電的情況下儲存資料。
雖然也存在其他莫爾條紋電晶體，但它們僅限於極低的溫度。這種新裝置在室溫下工作，並且比其他型別的突觸裝置消耗的能量少20倍。
儘管專家們尚未完全測試這些電晶體的速度，但由它們構建的系統的整合設計表明，它們應該比傳統的計算架構更快、更節能，研究人員說。然而，用於生產新型突觸電晶體的方法尚不具備可擴充套件性，需要進一步研究製造方法才能實現該電路的全部潛力。
加州大學伯克利分校研究電氣工程的劉辻傑（Tsu-Jae King Liu）表示，使用莫爾條紋器件來實現類似突觸的電路是一種新穎的方法。劉辻傑沒有參與這項新工作，他說：“在室溫下進行的初步概念驗證表明，這個概念值得進一步研究，以潛在地應用於神經形態計算系統。”
雖然未來的類腦電路可以用於提高許多計算應用的效率，但赫薩姆和他的同事們主要關注人工智慧，因為人工智慧的能源消耗巨大。由於其整合的硬體，這種電路還可以使人工智慧模型在更高層次上更像大腦。研究人員說，電晶體可以從其處理的資料中“學習”。最終，它可以建立不同輸入之間的連線，識別模式，然後進行關聯，類似於人腦形成記憶以及概念之間關聯的方式——這種能力稱為聯想學習。
當前的人工智慧模型可以超越尋找和重複常見模式，進入聯想學習。但是，它們獨立的記憶體和處理元件使這種計算具有挑戰性，並且它們常常難以區分資料中的訊號和噪聲，赫薩姆解釋說。
無法進行聯想學習的人工智慧模型可能會將兩個數字字串（例如111和000）視為完全不同。但是，具有這種更高層次推理能力的模型（例如，在新類腦電路上執行的模型）會報告說它們是相似的，因為它們都是三個相同的數字連在一起。
赫薩姆說：“這對我們人類來說很容易做到，但對傳統人工智慧來說卻非常困難。” 他說，這種外推能力對於人工智慧駕駛的自動駕駛汽車等應用非常有用。來自惡劣路況或不良能見度的嘈雜資料可能會干擾人工智慧駕駛員的決策，並導致諸如人工智慧將過馬路的人誤認為是塑膠袋之類的結果。“你目前的人工智慧在這方面做得不好，”赫薩姆補充道。“但是這種裝置，至少在理論上，對於這些型別的任務會更有效。”