在人工智能迅速发展的领域中，寻找能够跟上不断增长的计算需求的硬件是持续不断的。通过由普渡大学，加利福尼亚大学圣地亚哥分校（UCSD）和巴黎高级工业物理和化学学院（ESPCI）等机构的合作努力，这一寻找取得了重要突破。这次合作标志着神经形态计算领域的重大进展，这是一种试图在计算架构中模拟人脑机制的革命性方法。
当前人工智能硬件面临的挑战
人工智能的快速进步引入了复杂的算法和模型，对计算能力提出了前所未有的要求。然而，随着我们深入探索人工智能的领域，一个明显的挑战出现了：当前基于硅的计算机体系结构无法跟上人工智能技术不断发展的需求。
普渡大学物理与天文学的150周年教授Erica Carlson简明扼要地概括了这个挑战。她解释道：“人工智能革命的仿脑代码主要在不为其设计的传统硅计算机体系结构上运行。”这一观察提示了现有硬件与先进人工智能算法的专门需求之间存在根本性不匹配。
正如Carlson指出的那样，这种不匹配不仅限制了人工智能的潜在应用，还导致了相当大的能源效率问题。硅芯片，作为数字时代的支柱，本质上不适合神经网络和深度学习模型所需的并行和互联处理。传统CPU（中央处理器）和GPU（图形处理器）的线性和顺序处理能力与先进人工智能计算的需求形成鲜明对比。
神经形态计算的揭示
合作研究取得了重大突破，详见他们的研究“空间分布的VO2短时记忆”。这项研究揭示出一种新的计算硬件方法，灵感来自人脑的突触运作。
这一突破的核心是神经形态计算的概念。与传统的计算机体系结构不同，神经形态计算试图模仿人脑的结构和功能，特别关注神经元和突触。神经元是大脑中传递信息的细胞，突触是允许信号从一个神经元传递到下一个神经元的间隙。在生物大脑中，这些突触对记忆编码至关重要。
团队的创新之处在于他们使用了钒氧化物，这种材料特别适用于创建人工神经元和突触。与传统的基于硅的方法相比，这种材料的选择代表了对神经形态架构本质的重大改变，即在计算芯片中复制类似于大脑行为的方式。
能源效率和增强计算
这一突破的影响是深远的，特别是在能源效率和计算能力方面。Carlson详细阐述了潜在的益处，她说：“神经形态架构有望实现能耗更低的处理器、增强计算、根本不同的计算模式、原生学习和增强的模式识别。”这种转向神经形态计算的趋势可能重新定义人工智能硬件的发展，使其更加可持续和高效。
神经形态计算最引人注目的优势之一是它在大规模语言模型训练（如ChatGPT）中显著降低能源消耗的承诺。当前这类模型的高能耗很大程度上归因于硬件和软件之间的不协调，而神经形态计算力图弥合这一差距。通过模拟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AI系统处理和学习数据的方式。
此外，Carlson指出了硅材料在复制类似神经元行为方面的局限性，这是推动人工智能硬件发展的关键因素。神经形态架构能够模拟突触和神经元，有望彻底改变AI系统的功能方式，更接近于人类认知过程。
这项研究的一个关键要素是钒氧化物的创新应用。这种材料在模拟人脑神经元和突触的功能方面显示出巨大潜力。索邦大学和ESPCI的领先实验科学家Alexandre Zimmers强调了这一突破，他说：“在二氧化钒中，我们观察到它的行为就像是人工突触，这是我们理解的一个重大飞跃。”
团队的研究为存储记忆提供了一种更简单、更高效的方式，类似于人脑的工作原理。通过观察钒氧化物在不同条件下的行为，他们发现记忆并不仅仅存储在材料的孤立区域，而是分散在整个材料中。这一洞察力至关重要，因为它提出了设计和构建神经形态设备的新方式，这些设备可以更有效地处理信息，就像人脑一样。
推进神经形态计算
在他们开创性的发现基础上，研究团队已经在为他们的下一阶段工作规划路线图。凭借观察神经形态材料内部变化的能力，他们计划通过局部调整材料的性质进行进一步实验。Zimmers解释了这种方法的潜力：“这可能使我们能够引导电流穿过样本中记忆效应最大的特定区域，大大增强这种神经形态材料的突触行为。”
这个方向为神经形态计算的未来开启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。这样的进展可能导致硬件系统更接近人脑的复杂性，为更复杂和能效更高的人工智能系统铺平道路。