研究人员提出新策略推动神经形态计算，旨在降低能耗并提升AI与医疗领域能力

最近，一组研究人员提出了一项具有前瞻性的策略，旨在推进神经形态计算的应用，以匹配人类大脑功能，同时显著降低能耗。这项策略的核心在于开发先进的神经形态芯片和建立紧密的产学研合作关系，以此提升人工智能技术与医疗领域的能力。这一研究联合了来自不同院校的23名科研人员，并于1月22日在《自然》杂志上发表了相关综述文章，为神经形态计算的未来发展提供了详细的路线图。

神经形态计算是一种基于神经科学原理的计算模型，旨在模拟人脑的工作方式。该模型必须实现规模化，才能与传统计算方法竞争。神经形态计算的广泛应用范围包括科学计算、人工智能（AI）、增强现实（AR）与虚拟现实（VR）、可穿戴设备、智能农业及智慧城市等。相较于传统计算机，神经形态芯片在能源和空间效率上有望提供显著优势。

根据研究人员的预测，随着人工智能的快速发展，预计到2026年，人工智能系统的用电量将翻倍，因此寻找节能高效的计算解决方案至关重要。加州大学圣地亚哥分校的生物工程教授格特·考文伯格指出：“在当今时代，神经形态计算显得尤为重要，因为能源和资源的匮乏使得现有的人工智能系统难以维持其规模。”

研究人员呼吁建立一个新的架构和开放框架，以便在商业应用上进行有效的部署。德克萨斯大学圣安东尼奥分校的迪蕾莎·库迪蒂普迪则强调了产业界与学术界紧密合作的重要性，这种合作将在塑造神经形态计算的未来中发挥关键作用。近年来他们获得的资金支持，将帮助建立“THOR: the Neuromorphic Commons”研究网络，这是第一个专注于神经形态计算硬件和工具的开放式，旨在促进跨学科的合作研究。

在近期的实验中，考文伯格领导的团队设计的NeuRRAM芯片表现出高度的动态性和多功能性，能够在保持准确性和效率的前提下，运行多种人工智能应用。与传统的通用人工智能计算相比，这些芯片所需要的能量仅为其一小部分。这表明，神经形态计算不仅在处理速度上具有潜力，更在能效上展现出巨大的优势。

为了实现神经形态计算的规模化，研究人员指出了几个必须优化的关键特征，其中人类大脑的稀疏性是至关重要的。人脑在发育过程中，通过形成大量神经连接的“致密化”，最终通过有选择性的修剪大量连接，实现了信息的高保真保留。若成功模拟这一特征，神经形态系统将能够在节能和体积上都表现得更加出色。

研究人员认为，神经形态计算的可扩展性与高效性源于大规模并行性和分层结构的结合。这意味着模仿大脑灰质中密集的局部突触连接与大脑白质中稀疏的全局连接，通过高带宽可重构的芯片互连，可以显著提升计算能力。而这样的技术创新，将为未来的发展奠定基础。

对此，加州大学圣地亚哥校区SDSC数据支持科学计算部门的主任阿米塔瓦·马聚姆达也表示，这篇论文展示了神经形态计算在现实生活中大规模应用的巨大潜力，能为国家用户社区提供新的计算架构，并铺平神经形态资源的道路。

为了进一步推动神经形态计算的发展，研究团队还强调了加强各领域科研人员之间的合作，以及学术界和产业界的互动。他们提议开发更加用户友好的编程语言，以降低该领域的进入障碍，从而鼓励更多跨学科及全行业的合作与创新。

在全球范围内，技术创新的步伐正在加速，而神经形态计算则以其独特的优势迎来了前所未有的发展机遇。通过优化计算模型、增强能效与推动学术界与产业界的合作，研究人员希望能够为未来的人工智能及医疗保健领域带来质的飞跃，切实推动社会的可持续发展。

如果您对这一领域感兴趣，请继续关注“知新了了”，了解更多最新动态与研究成果。