Miranda Schwacke
2024年7月，麻省理工學院（MIT）實驗室出現一項可能改變AI能耗格局嘅成果。一位MIT博士生Miranda Schwacke將「類腦」運算思路移植到硬件原型度，透過脈衝神經網絡（spiking neural networks, SNN）同事件驅動電路結合，實現咗對傳統深度學習推理模式嘅根本改造。
呢個原型唔係簡單模擬神經元堆疊，而係喺矽片上將「記憶」同「計算」物理上靠近，採用突觸可塑性機制畀硬件喺運行時調整連接權重，減少咗向外存取參數嘅頻繁開銷。研究團隊喺論文同演示中展示咗喺圖像分類同傳感器流處理任務上嘅效果，說明同樣算法喺呢類硬件上能夠以事件驅動方式只喺有「脈衝」時先觸發計算，從而避免大量空閒周期嘅能耗浪費。
喺實驗細節上，開發者將脈衝編碼同異步電路結合，利用硬件級稀疏激活嚟降低功耗，同時透過本地學習規則（類似生物突觸嘅局部更新）實現有限嘅在線適應能力。MIT團隊將一套原型芯片同常見傳感器同小型視覺網絡連接，對比傳統GPU/TPU推理流程，實驗結果顯示喺相同任務下能耗顯著下降，響應延遲同模型穩定性亦保持喺可接受範圍。
呢項工作直指目前AI產業兩大痛點：數據中心高額電力消耗同邊緣設備離線智能嘅受限。研究者指出，若將部分推理同簡單在線學習遷移到低功耗神經形態芯片上，未來智能手機、可穿戴同物聯網設備將能夠喺唔頻繁回傳雲端嘅情況下完成更多實時感知任務，從而減少網絡帶寬同碳排放。
不過，團隊亦強調困難未全部解決：大規模製造、同現有深度學習框架嘅兼容、以及軟件工具鏈嘅重建仍然係必須跨越嘅門檻。神經形態硬件擅長事件驅動同稀疏計算，但要承載目前主流大型自監督模型，仲需喺可編程性同精度控制上繼續攻關。
根據The Cool Down同MIT披露嘅路線圖，下一步會將原型推向更廣泛嘅基準測試，並尋求產業合作嚟探索量產路徑。對年輕開發者同創業公司嚟講，呢個意味住「將AI搬離雲端」嘅機會正變得具體：低功耗、本地學習嘅芯片將催生新一波邊緣智能應用，從更省電嘅AR眼鏡到始終在線嘅健康監測設備。
今次突破唔係一夜之間解決所有問題，但喺2024年7月嘅展示中，佢將「類腦思想」從學術概念拉到可操作嘅硬件原型上，向住更綠色、更分佈式嘅AI生態邁出重要一步。