现代计算对电力的需求正以惊人的速度增长。

到 2026 年，数据中心、人工智能 (AI) 和加密货币的消耗量可能会达到 2022 年的两倍。

预计到2026年，这三个行业的能源消耗量可能较大。

计算机芯片是当今大多数人工智能应用的基础，正在致力于开发更节能的硬件。

但另一种方法是否是构建具有根本不同架构类型的计算机，使其更节能？

一些公司确实这么认为，并正在利用大脑的结构和功能，该器官仅使用传统计算机的一小部分功能即可更快地执行更多操作：大脑。

在神经形态计算中，电子设备模仿神经元和突触，并以类似大脑电网络的方式相互连接。

这并不是什么新鲜事——研究人员自 20 世纪 80 年代以来就一直在研究这项技术。

但人工智能能源需求增加了将新兴技术引入现实世界的压力。

当前的系统和平台主要作为研究工具存在，但它们可以大大提高能源效率，

神经形态计算涵盖了一系列方法——从简单的受大脑启发的方法，到几乎完全模拟人类大脑（我们实际上还远远没有达到这个水平）。

但有一些基本的设计特性使其有别于传统计算。

首先，与传统计算机不同，神经形态计算机没有单独的内存和处理单元。相反，这些任务在一个芯片上的单个位置上一起执行。

消除两者之间传输数据的需要可减少能耗并加快处理时间。

事件驱动的计算方法也很常见。

与传统计算相比，传统计算系统的每个部分都始终处于开启状态，并且可以随时与任何其他部分进行通信，而神经形态计算中的激活可以更加稀疏。

模拟神经元和突触只有在需要进行交流时才会被激活，就像我们大脑中的许多神经元和突触只有在有原因的情况下才会被激活一样。

仅在有事情需要处理时才进行工作也能节省电力。

虽然现代计算机是数字化的（使用 1 或 0 来表示数据），但神经形态计算可以是模拟的。

从历史上看，这种计算方法很重要，它依赖于连续信号，在需要分析来自外部世界的数据时非常有用。

然而，为了方便起见，大多数商业导向的神经形态努力都是数字化的。

设想的商业应用主要分为两类。

专注于为人工智能应用提供更节能、性能更高的平台，包括图像和视频分析、语音识别以及为 ChatGPT 等聊天机器人提供支持的大型语言模型。

另一个是“边缘计算”应用——数据不是在云端处理，而是在联网设备上实时处理，但运行功率受限。自动驾驶汽车、机器人、手机和可穿戴技术都可以从中受益。

然而，技术挑战仍然存在。长期以来，人们普遍认为，神经形态计算发展的主要障碍是开发芯片运行所需的软件。

虽然拥有硬件是一回事，但必须对其进行编程才能工作，而这可能需要从头开始开发一种与传统计算机完全不同的编程风格。

这些设备的潜力是巨大的......问题是如何让它们发挥作用，预测至少还需要十年，甚至二十年，神经形态计算的好处才能真正显现出来。

成本也是问题所在。无论他们使用硅（商业化努力所采用的）还是其他材料，制造全新芯片的成本都非常高昂。

源：BBC