受大腦啟發的人工智慧架構在提升運算速度的同時，大幅降低功耗

雙記憶體路徑抽象化。在演算法層面上，每一層皆維持一個共享的低維狀態，用以捕捉緩慢的上下文動態並調控快速的脈衝活動。在硬體層面，這種分離透過異質加速器得以體現，該加速器將緊湊狀態保留在晶片上，並融合稀疏與密集運算以實現高效執行。 資料來源：Sun 等人。

脈衝神經網路（SNNs）是一種受生物神經元通訊方式啟發的人工智慧模型。與透過電脈衝交換資訊的生物神經元不同，SNNs 依賴稱為「脈衝」的短暫訊號。

SNN 在降低功耗方面展現出巨大潛力，因為開發者可以確保系統僅在發生有意義的變化時才處理資訊，而非持續運作。鑑於當前人工智慧系統消耗大量能源，這是一項顯著優勢。

儘管早期部分 SNN 已取得令人鼓舞的成果，但它們往往難以在長時間內保留有用的上下文資訊。當模型的資料儲存空間有限，或在能源限制下運作時，這項挑戰便顯得尤為突出。

倫敦帝國學院與蘇黎世聯邦理工學院（ETH Zurich）的研究人員最近推出了一套共同設計的軟硬體方案，有望克服此項限制。他們在《自然·機器智慧》（Nature Machine Intelligence）期刊發表的論文中闡述的架構，不僅能有效處理長序列任務，同時兼具節能特性並減少了資料儲存需求。

「脈衝神經網路在事件驅動式感測方面表現卓越，」孫鵬飛、蘇哲及其同事寫道。「然而，在嚴格的能源與記憶體預算限制下，無論是從演算法還是硬體層面，如何在長時間尺度上維持與任務相關的上下文，仍是核心挑戰。 我們透過演算法與硬體的協同設計來解決這個問題。」

DMP 架構的硬體設計。圖片來源：《自然·機器智慧》（2026）。DOI：10.1038/s42256-026-01255-3

一種嶄新的、受大腦啟發的雙記憶體系統

先前研究顯示，某些神經過程極為迅速，而其他過程則較為緩慢，這使大腦能夠更長時間地保留資訊。由 Sun、Su 及其同事開發的架構，正是模仿了這種快慢並存的神經過程組合。

研究團隊借鑒大腦「快-慢」組織原則，共同設計了相互互補的軟硬體組件。軟體部分由多層次慢脈衝神經網路（SNN）構成，該網路將慢記憶路徑與快脈衝活動相結合。

「在演算法層面上，受大腦皮質快慢組織結構的啟發，我們引入了一種具有明確慢速記憶路徑的神經網路，該路徑與快速脈衝活動相結合，從而實現了雙記憶路徑架構。 在這種架構中，每一層都維持著一個緊湊的低維度狀態，用以總結近期活動並調控脈衝動態，」作者寫道。

「這種顯式記憶不僅能穩定學習過程，同時保留事件驅動的稀疏性，在長序列基準測試中達到具競爭力的準確度，且參數數量比同等級的尖峰神經網路減少 40% 至 60%。」

雙記憶體架構的一大優勢在於，它能在高效處理輸入數據的同時，以緊湊形式保留與任務相關的重要資訊。該團隊還設計了專為運行其脈衝神經網路（SNN）而優化的專用硬體。

「在硬體層面，我們引入了一種『近記憶體運算』架構，該架構透過保留其緊湊的共享狀態，同時優化異質稀疏脈衝與密集記憶體路徑間的資料流，從而充分發揮雙記憶體路徑架構的優勢，」Sun、Su 及其同事寫道。

初步結果與潛在的實際應用

研究人員透過一系列初步測試，對其 SNN 及共同設計的硬體進行了評估。他們測量了在固定時間內完成長序列任務（處理長數據流）的速度、能耗以及數據吞吐量。

「實驗結果顯示，與當前最先進的實現方案相比，吞吐量提高了四倍以上，能源效率則提升了五倍以上，」作者寫道。 「綜上所述，這些貢獻表明生物學原理能夠引導出既在演算法上有效、又在硬體上高效的函數抽象，從而為即時類神經計算與學習建立了一個可擴展的協同設計框架。」

由 Sun、Su 及其同事開發的這套新型 SNN 與硬體，未來可進一步優化，並應用於更廣泛的任務中進行測試。長遠來看，它們將能在能源限制下，實現對海量資料的即時快速分析。這對於機器人、穿戴式裝置、邊緣 AI 以及多感測器互聯網路等應用領域將具有重要價值。

本文由本刊作者英格麗德·法德利（Ingrid Fadelli）撰寫，蓋比·克拉克（Gaby Clark）編輯，並經羅伯特·伊根（Robert Egan）事實核查與審閱——這篇文章是經由仔細的人工製作而成。我們仰賴像您這樣的讀者，才能讓獨立科學新聞業持續運作。若您認為這篇報導具有價值，請考慮捐款（尤其是每月定期捐款）。 作為感謝，您將獲得一個無廣告的帳戶。