人工智能和人类思维都依靠电力运行，但这几乎是物理相似性的终点。人工智能的输出源于硅和金属电路；人类认知源于大量的活体组织。而且这些系统的架构也从根本上不同。传统计算机在硬件的不同部分存储和计算信息，在内存和微处理器之间来回传输数据。另一方面，人脑将记忆与处理纠缠在一起，有助于提高效率。
计算机相对较低的效率使得运行人工智能模型成本极高。数据中心是计算机器和硬件的存储地，占全球电力消耗的1%到1.5%，到2027年，新的人工智能服务器单元可能每年消耗至少85.4太瓦时，超过许多小国每年的用电量。西北大学化学家兼工程师马克·赫萨姆说，大脑“效率更高”。 “多年来，我们一直试图找到能够更好地模仿大脑计算方式的设备和材料”，这被称为神经形态计算机系统。
现在，赫萨姆和他的同事们朝着这个目标迈出了关键的早期一步，他们重新设计了电子电路最基本的构建模块之一——晶体管，使其功能更像神经元。晶体管是微小的、类似开关的设备，可以控制和产生电信号——它们就像计算机芯片的神经细胞，几乎是所有现代电子设备的基础。这种新型晶体管被称为莫尔条纹突触晶体管，将记忆与处理集成在一起，以减少能源消耗。正如去年12月发表在《自然》杂志上的一项研究中所述，这些类脑电路提高了能源效率，并使人工智能系统能够超越简单的模式识别，进入更像大脑的决策。
支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保有关塑造我们当今世界的发现和想法的具有影响力的故事的未来。
为了将记忆直接融入晶体管的功能中，赫萨姆的团队转向了二维材料，这种材料具有非常薄的原子排列，当以不同的方向彼此叠放时，会形成迷人的、万花筒般的图案，称为莫尔超晶格。当电流施加到材料上时，高度可定制的图案使科学家能够精确控制电流的流动。它们特殊的量子特性使它们能够创造出一种特定的电子状态，可以在没有持续供电的情况下存储数据。
虽然也存在其他莫尔条纹晶体管，但它们仅限于极低的温度。这种新设备在室温下工作，并且比其他类型的突触设备消耗的能量少20倍。
尽管专家们尚未完全测试这些晶体管的速度，但由它们构建的系统的集成设计表明，它们应该比传统的计算架构更快、更节能，研究人员说。然而，用于生产新型突触晶体管的方法尚不具备可扩展性，需要进一步研究制造方法才能实现该电路的全部潜力。
加州大学伯克利分校研究电气工程的刘辻杰（Tsu-Jae King Liu）表示，使用莫尔条纹器件来实现类似突触的电路是一种新颖的方法。刘辻杰没有参与这项新工作，他说：“在室温下进行的初步概念验证表明，这个概念值得进一步研究，以潜在地应用于神经形态计算系统。”
虽然未来的类脑电路可以用于提高许多计算应用的效率，但赫萨姆和他的同事们主要关注人工智能，因为人工智能的能源消耗巨大。由于其集成的硬件，这种电路还可以使人工智能模型在更高层次上更像大脑。研究人员说，晶体管可以从其处理的数据中“学习”。最终，它可以建立不同输入之间的连接，识别模式，然后进行关联，类似于人脑形成记忆以及概念之间关联的方式——这种能力称为联想学习。
当前的人工智能模型可以超越寻找和重复常见模式，进入联想学习。但是，它们独立的内存和处理组件使这种计算具有挑战性，并且它们常常难以区分数据中的信号和噪声，赫萨姆解释说。
无法进行联想学习的人工智能模型可能会将两个数字字符串（例如111和000）视为完全不同。但是，具有这种更高层次推理能力的模型（例如，在新类脑电路上运行的模型）会报告说它们是相似的，因为它们都是三个相同的数字连在一起。
赫萨姆说：“这对我们人类来说很容易做到，但对传统人工智能来说却非常困难。” 他说，这种外推能力对于人工智能驾驶的自动驾驶汽车等应用非常有用。来自恶劣路况或不良能见度的嘈杂数据可能会干扰人工智能驾驶员的决策，并导致诸如人工智能将过马路的人误认为是塑料袋之类的结果。“你目前的人工智能在这方面做得不好，”赫萨姆补充道。“但是这种设备，至少在理论上，对于这些类型的任务会更有效。”