人工智能在识别模式、分类图像、生成文本和解析海量数据流方面已表现出令人印象深刻的性能。然而，这些能力的实现往往伴随着计算量、能耗和延迟的增加。西北大学工程师的一项新发现指向了一个不同的方向——通过让AI硬件学会忽略常规情况，只在异常发生时做出反应，从而实现"少做多成"。
这项研究于7月10日发表在《自然通讯》期刊上，描述了一种受小脑启发的"记忆晶体管"设备，旨在模仿大脑检测新奇事物的反射能力。在概念验证测试中，该设备能在五分之一心跳时间内从心电图记录中识别出异常心律，准确率超过98%，且所需的计算机操作次数比传统AI方法少约10,000倍。
这一发现意义重大，因为大多数神经形态计算研究一直集中在模拟大脑皮层——与推理、记忆和语言相关的区域。西北大学团队却转向了小脑——一个通常与协调、纠错和快速反射反应相关的大脑区域。小脑不会持续深入分析每一个感官信息，而是高效地过滤掉预期中的信息，只在出现与预测偏差的情况时做出反应。
生物学洞见对AI的启示
这一生物学洞见对AI具有重要意义。当前许多AI系统即使在没有发生有意义变化的情况下，也会持续处理输入数据。对于可穿戴医疗设备、自动驾驶汽车、工业机器人或网络安全系统等应用，这种做法可能很浪费。一个始终开启的监测器不需要对每一次正常心跳、每一个普通道路标记或每一个良性的网络数据包都投入全部计算资源。它真正需要的是快速可靠地识别出意外情况的能力。
西北大学的设备通过将存储和计算功能结合在一个名为"记忆晶体管"的电子元件中来解决这一问题。传统计算架构通常将存储和处理分开，需要在组件之间反复移动数据。这种移动消耗能量，并导致传统AI硬件众所周知的效率低下。西北大学的Mark C. Hersam团队一直在开发基于记忆晶体管的系统以减轻这一负担，早期研究表明，少量此类设备即可执行原本需要更多传统晶体管才能完成的分类任务。
在英国伦敦巴比肯艺术中心进行大脑评估。图片由Tim Sandle提供
这项新进展超越了简单的分类功能。研究人员设计该设备以模拟基于两种竞争信号的小脑电路：一种是兴奋性信号，另一种是抑制性信号。在大脑中，这些信号在常规活动期间保持平衡。当意外情况发生时，平衡被打破，系统做出反应。西北大学团队通过电子方式重现了这一动态，使设备能够以两种模式运行。在一种模式下，它表现得像兴奋性突触，随着信号持续而增强反应；在另一种模式下，它表现得像抑制性突触，最初反应强烈，随后逐渐减弱。
为了构建该设备，工程师们使用了二硫化钼，一种原子级薄的半导体材料。然后，他们引入了一种非对称晶体管结构，其中一个电极通过一层薄绝缘层部分覆盖半导体。这种微小的结构变化改变了电流路径。通过反转施加电压的方向，记忆晶体管可以在兴奋性和抑制性行为之间切换。
使用心电图信号进行的演示特别相关。心律失常可能间歇性出现且在临床上很重要，但持续监测带来了一个挑战：大多数心跳都是正常的。对于可穿戴健康技术而言，一个消耗大量电力分析每一次心跳的系统不太具有吸引力，因为电池寿命、舒适度和可靠性是核心商业考量。在西北大学的研究中，该设备基本上忽略了正常心律，并在心跳完成前就迅速检测出异常心律。
商业潜力？
因此，其商业潜力相当可观。最直接的市场可能是边缘AI——在设备上本地运行的人工智能，而非依赖基于云的数据中心。市场分析师预测边缘AI将强劲增长，预计全球市场在2026年将达到309亿美元，并预测到2035年将增长至2255亿美元。推动因素包括低延迟处理、数据隐私要求、连接设备和实时分析。
医疗可穿戴设备是显而易见的商业化途径之一。将低功耗新奇检测器嵌入智能贴片、手表或可植入监测器中，可以在提供心律不齐早期预警的同时延长电池寿命。这种硬件还可以减少发送到云端的数据量，降低带宽成本并支持"设计隐私"方法，在受监管的医疗环境中尤为重要。
自动驾驶汽车和机器人代表了另一个机会。这些系统必须对意外事件做出快速反应：行人走上道路、工厂地板上掉落的物体，或人类工人进入机器人的路径。类似小脑的AI组件可以作为快速异常检测器，仅在需要快速干预时向更高级系统发出警报。这不会取代复杂的AI模型，但可以作为低功耗前端过滤器，使它们更高效。
网络安全也是一个有前景的领域。安全系统被常规网络流量所淹没，而商业价值在于在异常活动升级前识别出来。网络安全边缘AI预计强劲增长，该领域将从2026年的629.4亿美元增长到2030年的2287.7亿美元。在延迟、隐私或网络可用性成为限制因素的场合，边缘实时威胁检测尤其具有吸引力。
还有一个更广泛的能源论点。国际能源署强调了与数据中心和AI相关的不断增长的电力需求，指出服务器占数据中心电力消耗的很大一部分，并且预计到2030年，用于数据中心的全球发电量将大幅上升。因此，更高效的AI硬件，特别是用于推理和监测任务的硬件，可能在商业和环境方面都变得重要。
需要注意的是，这仍然是早期阶段的研究。从心电图记录中准确检测心律失常，与在消费设备、临床诊断、车辆或工业网络中部署坚固可制造的芯片并不相同。在可扩展性、耐久性、与现有半导体工艺的集成、监管验证以及在更广泛数据集上的性能方面仍存在问题。
【全文结束】