一個國際研究團隊設計并制造了一種直接在內存中運行計算的芯片，可運行各種人工智能（AI）應用，而且它能在保持高精度的同時，僅消耗通用AI計算平臺所耗能量的一小部分，兼具高效率和通用性。相關研究發表在最近的《自然》雜志上。
這款名為NeuRRAM的神經形態芯片使AI離在與云斷開的廣泛邊緣設備上運行又近了一步。在云中，AI計算可隨時隨地執行復雜的認知任務，而不需要依賴與中央服務器的網絡連接。從智能手表到虛擬現實（VR）耳機、智能耳機、工廠中的智能傳感器和用于太空探索的漫游車，其應用比比皆是，遍及世界的每一個角落和人類生活的方方面面。
NeuRRAM芯片的能效不僅是目前最先進的“內存計算”芯片（一種在內存中運行計算的創新混合芯片）的兩倍，而且它提供的結果也與傳統數字芯片一樣準確。傳統的AI平臺要龐大得多，通常受限于使用在云中運行的大型數據服務器。
此外，NeuRRAM芯片具有高度的通用性，支持多種不同的神經網絡模型和架構。因此，該芯片可用于許多不同的應用，包括圖像識別和重建以及語音識別。
目前，AI計算既耗電又昂貴。邊緣設備上的大多數AI應用程序都涉及將數據從設備移動到云端，AI在云端對其進行處理和分析，然后將結果移回設備。
通過降低邊緣AI計算所需的功耗，這款NeuRRAM芯片可帶來更強大、更智能、更易于訪問的邊緣設備和更智能的制造。它還可帶來更好的數據隱私，因為將數據從設備傳輸到云會帶來更高的安全風險。
研究人員通過一種名為能量延遲乘積（EDP）的方法來測量芯片的能效。EDP結合了每次操作所消耗的能量和完成操作所需的時間。通過這一措施，NeuRRAM芯片實現了比目前最先進芯片高7—13倍的計算密度。
研究人員在芯片上運行各種人工智能任務。它在手寫數字識別任務上準確率達到99%，在圖像分類任務上達到85.7%，在谷歌語音命令識別任務上達到84.7%。此外，該芯片還在圖像恢復任務中減少了70%的圖像重建誤差。這些結果可以與現有的數字芯片相媲美，后者在相同的精度下執行計算，但大大節省了能源。
【總編輯圈點】
與經典計算相比，AI計算的許多數據處理都涉及矩陣乘法和加法，以及海量的并行工作，如何在保持AI芯片精度的前提下還做到節能呢？最終該用什么路線去實現，其實依然眾說紛紜。但這也正是一項新技術的特點與魅力——在探索階段百花齊放。就像本文中團隊實現的神經形態芯片，其最大的吸引人之處，正是它兼具了高能效與通用性。
