盖世汽车讯 随着人工智能（AI）系统规模不断扩大、性能持续提升，其能耗也随之急剧增长。

据外媒报道，美国马萨诸塞大学阿默斯特分校（University of Massachusetts Amherst）曼宁信息与计算机学院（Manning College of Information and Computer Sciences）的教务教授Hava Siegelmann带领团队，研发出一种新型AI，其运行机制更贴近人脑的核心工作模式。该研究主要围绕两大互补目标展开：一是让AI能够实时持续学习，而不仅仅是在固定的训练阶段进行学习；二是大幅降低智能计算的能耗。

这项近期发表于《自然·通讯（Nature Communications）》的研究表明，在大幅降低能耗的前提下，AI依旧可以实现高阶能力。

Hava Siegelmann表示：“当下的AI虽然性能强大，却极其耗能。我们的研究证明，完全可以打造出高性能且运行效率大幅提升的AI。”

图片来源：美国马萨诸塞大学阿默斯特分校

人脑与现有AI的能耗差距十分悬殊。美国国立卫生研究院的数据显示，人脑约有860亿个神经元并行工作，总功耗仅约20瓦，相当于一枚小型LED灯泡的耗电量。反观目前顶级AI模型，训练过程功耗可达数千万瓦，还需依托大型数据中心才能运转。

人脑之所以能效出众，核心原因在于异步运行。执行特定任务或进行信息更新时，仅有小部分神经元被激活，这让大脑以极低能耗完成复杂行为。

生物大脑以异步活动为主，而当前包括ChatGPT、Claude在内的深度神经网络AI，都依靠数十亿个人工神经元同步运算。无论执行何种任务，所有运算单元都按照统一全局时钟同步更新。仅为维持同步运行，现有网络就需要开展海量计算，造成巨大能耗。

Hava Siegelmann解释道：“神经网络规模较小时，同步运算模式尚能适用。但当AI模型参数达到数十亿乃至上万亿级别后，高昂的能耗不仅推高使用成本、加剧环境负担，也让机器人等自主系统难以落地应用。此前已有研究人员尝试利用异步脉冲神经网络实现能效优化，但该技术在学习与自适应能力方面遭遇了显著瓶颈，因为适用于脉冲架构的训练方案，效果远不及基于梯度的训练方法——包括使现代深度神经网络取得巨大成功的反向传播算法。”

ANT工作原理

该研究团队旨在融合两种技术路线的优势，最终推出异步神经图灵网络（ANT）。这种全新架构摒弃了全局同步机制，同时保留了深度神经网络具备的可微特性，保障模型易于训练。

“核心难点在于，去掉全局同步时钟的同时，不能损失计算能力与自适应能力。”Hava Siegelmann说道，“我们提出了全新设计准则，让模型在异步更新过程中保留信息完整性，并维持强大的学习能力。”

由于ANT仅在每一轮计算中激活所需神经元，因此其能耗得以数个数量级的下降。

Hava Siegelmann表示：“原则上，ANT可以达到传统数字系统与现代深度神经网络的算力水平，同时保持高能效。”

未来规划

这项研究建立在Hava Siegelmann多年来在神经计算理论领域的成果之上。她早在1995年就通过标志性研究证实，循环神经网络（recurrent neural networks）具备媲美图灵机的计算能力。

目前，研究团队正持续优化ANT的能效表现，并拓展其实时持续学习的能力。

Hava Siegelmann希望这套新框架能推动行业探索全新AI架构，打造出比主流模型更环保、适应性更强、潜力更大的AI系统。

除了降低人工智能的环境足迹外，该技术可能对于在严格的能源限制下运行的智能自主系统特别有价值，包括机器人、边缘计算设备、自动驾驶车辆和未来几代自适应机器智能。