就像本文团队实现的神经形态芯片其大的吸引力在于兼具高能效和通用性

一个国际研究小组设计并制造了一种可以直接在内存中运行计算的芯片，可以运行各种人工智能应用程序除此之外，它可以保持高精度，同时只消耗通用AI计算平台消耗的一小部分能量，并且它兼具高效率和通用性相关研究发表在最近的《自然》杂志上

这种被称为NeuRRAM的神经形态学芯片使AI更接近于在广泛的与云断开连接的边缘设备上运行在云中，AI计算可以随时随地执行复杂的认知任务，而不依赖于与中央服务器的网络连接从智能手表到虚拟现实耳机，智能耳机，工厂里的智能传感器，太空探索用的火星车，它们的应用比比皆是，覆盖了世界的每个角落，人类生活的方方面面

NeuRRAM芯片的能效不仅是目前最先进的内存计算芯片的两倍，而且它提供的结果与传统数字芯片一样精确传统的人工智能平台要大得多，通常仅限于使用运行在云中的大型数据服务器

此外，neuram芯片具有高度的通用性，支持各种不同的神经网络模型和架构因此，该芯片可以用于许多不同的应用，包括图像识别和重建以及语音识别

目前AI计算既耗电又贵大多数边缘的人工智能应用程序都涉及到将数据从设备移动到云，人工智能在云上处理和分析数据，然后将结果移回设备

通过降低边缘AI计算所需的功耗，这种NeuRRAM芯片可以带来更强大，更智能，更易访问的边缘设备和更智能的制造还能带来更好的数据隐私，因为把数据从设备转移到云端会带来更高的安全风险

研究人员通过一种叫做能量延迟积的方法来测量芯片的能效EDP将每次操作消耗的能量与完成操作所需的时间结合起来通过这一措施，NeuRRAM芯片的计算密度比目前最先进的芯片高7—13倍

研究人员在芯片上运行各种人工智能任务它在手写数字识别方面达到了99%的准确率，在图像分类方面达到了85.7%，在谷歌语音命令识别方面达到了84.7%此外，该芯片在图像恢复任务中减少了70%的图像重建误差这些结果与现有的数字芯片相当，后者以同样的精度进行计算，但节省了大量能源

与经典计算相比，AI计算的很多数据处理都涉及到矩阵乘法和加法，以及海量的并行工作如何才能在保持AI芯片精度的同时节约能源其实最后用什么路线还是众说纷纭但这也是一项新技术的特点和魅力——在探索阶段百花齐放就像本文团队实现的神经形态芯片，其最大的吸引力在于兼具高能效和通用性