今天，你可能向一个大语言模型提问，或者在LinkedIn上接受了一个连接建议，或者观看了YouTube上推荐的视频，或者根据谷歌地图的交通预测选择了不同的上班路线。换句话说，你可能使用了人工智能。但你可能不知道的是，这种互动消耗了多少能量，以及为什么。
人工智能需要处理海量数据，这通常是在大型数据中心完成的，这些数据中心拥有数千个GPU，每秒能够执行高达数万亿次操作。但每个GPU通过消耗高达1000瓦的功率来实现这一点。相比之下，如果你有一部较新的智能手机，它可能消耗不到1瓦。这个千瓦级别的数字将GPU与吸尘器、洗碗机和炉灶置于同一水平，但最大的区别在于数据中心处理器是全天候不间断运行的。
从根本上说，这种低效率很大程度上是因为GPU试图使用软件和数十亿个晶体管来模拟人工神经网络的工作，这需要能量来移动大量数据。更重要的是，构成这些网络的模拟人工神经元甚至缺乏构成我们所知的最节能计算系统——人脑——的生物神经元的复杂计算行为的一小部分。
在我们为人工智能设定的许多类似任务中，人脑的能量效率大约高出100万倍。为了接近这种效率，一种称为神经形态工程的截然不同的计算方法正在寻求构建更像大脑神经元及其连接突触的电子元件和电路。
大量工作致力于使电子设备更像生物神经元和突触那样运行。一些研究专注于开发新的实验性设备，但它们还不够可靠，无法用于大型系统。其他努力旨在通过互连许多互补金属氧化物半导体（CMOS）晶体管——数字逻辑的主力——来模拟单个神经元和突触，从而实现神经元和突触。但这种方法需要如此多的晶体管（以及一些笨重的电容器），以至于极大地限制了可构建系统的规模，使得这种受大脑启发的硬件如何能够扩展并与最先进的GPU竞争变得不清楚。
但一直以来，有一个人工神经元和一个突触——每个都是一个单独的器件——就隐藏在众目睽睽之下。我们去年发现了它们。它们都是由一个普通的CMOS晶体管实现的——甚至不是一个很好的晶体管。这就是它们偶然发现的故事，以及它们降低人工智能环境足迹的巨大潜力。
询问这条新闻
回答由AI仅根据本新闻生成。