人工智慧 （AI） 使影片遊戲更加逼真，並幫助手機識別主人的聲音——但耗電量大的程式會大量消耗能量。然而，由於像人腦一樣工作的計算機晶片，下一代人工智慧的能源效率可能會提高 1000 倍。一項新的研究表明，這種神經形態晶片只需使用普通晶片消耗的一小部分能量即可執行 AI 演算法。
“這是一項令人印象深刻的工作，”曼徹斯特大學的計算機科學家史蒂夫弗伯說。他說，這樣的進步可以推動複雜軟體效能的巨大飛躍，比如翻譯語言或駕駛無人駕駛汽車。
人工智慧程式通常擅長在資料集中找到某些所需的模式，而它所做的最複雜的事情之一就是在將整個事物拼湊在一起時保持模式的一部分。考慮計算機如何識別影象。首先，它會發現該影象的明確邊緣。然後，它必須記住這些邊緣——以及影象的所有後續部分——因為它形成了最終的圖片。
這種網路的一個常見元件是一個稱為長短期記憶 （LSTM） 的軟體單元，它在事物隨時間變化時保持一個元素的記憶。例如，影象中的垂直邊緣需要保留在記憶體中，因為軟體會確定它是代表數字“4”的一部分還是汽車的門。典型的 AI 系統必須同時跟蹤數百個 LSTM 元素。
當前在傳統計算機晶片上執行的 LSTM 網路非常準確。但是晶片很耗電。為了處理資訊位，他們必須首先檢索儲存資料的各個位，對其進行操作，然後將它們傳送回儲存。然後一遍又一遍地重複這個序列。
英特爾、IBM 和其他晶片製造商一直在試驗另一種晶片設計，稱為神經形態晶片。這些處理資訊就像大腦中的神經元網路，其中每個神經元接收來自網路中其他神經元的輸入，並在總輸入超過閾值時觸發。新晶片的設計目的是在網路中將神經元的硬體等效物連線在一起。人工智慧程式也依賴於人造神經元網路，但在傳統計算機中，這些神經元完全在軟體中定義，因此實際上駐留在計算機的獨立儲存晶片中。
神經形態晶片中的設定同時處理記憶體和計算，使其更加節能：我們的大腦只需要 20 瓦的功率，與節能燈泡差不多。但要利用這種架構，計算機科學家需要重新發明他們如何執行 LSTM 等功能。
這就是格拉茨科技大學的計算機科學家沃爾夫岡·馬斯（Wolfgang Maass）承擔的任務。他和他的同事試圖在我們的大腦中複製一種生物神經網路執行的記憶儲存機制，稱為超極化 （AHP） 電流。在大腦中的神經元觸發後，它通常會返回到其基線水平並保持靜止，直到它再次接收到足夠的輸入以超過其閾值。但在 AHP 網路中，神經元放電一次後，會暫時禁止再次放電，這是一個實際上有助於神經元網路在消耗更少能量的同時保留資訊的死區。
馬斯和他的同事將 AHP 神經元放電模式整合到他們的神經形態神經網路軟體中，並透過兩個標準的 AI 測試執行他們的網路。第一個挑戰是識別分解成數百個單獨畫素的影象中的手寫“3”。在這裡，他們發現當在英特爾的一種神經形態 Loihi 晶片上執行時，他們的演算法比在傳統晶片上執行的基於 LSTM 的影象識別演算法的能效高出 1000 倍。
馬斯指出，第二次測試是在一系列 22 個英特爾第一代 Loihi 晶片上完成的，這些晶片在相互通訊時消耗了相對大量的能量。此後，該公司推出了第二代 Loihi 晶片，每個晶片都有更多的神經元，他說這應該會減少對晶片間通訊的需求，從而使軟體更有效地執行。
目前，市面上幾乎沒有神經形態晶片。因此，大規模應用可能不會很快出現。但艾倫研究所的計算神經科學家安東·阿爾希波夫（Anton Arkhipov）表示，高階 AI 演算法，例如馬斯所展示的那些，可以幫助這些晶片獲得商業立足點。“至少，這將有助於加速人工智慧系統。”
反過來，這可能會帶來新的應用，例如人工智慧數字助理，它不僅可以用照片中的人名提示某人，還可以提醒他們在哪裡相遇並講述他們過去的故事。透過在大腦中整合其他神經元放電模式，馬斯表示，未來的神經形態裝置甚至可能有一天會開始探索多種神經元放電模式如何協同工作以產生意識。