实验室失误可能彻底改变计算方式

今天，你很可能向大语言模型提问、接受LinkedIn的好友建议、观看YouTube推荐视频，或根据Google Maps的交通预测选择通勤路线——换句话说，你使用了人工智能。但你可能不知道这些交互消耗了多少能源，以及背后的原因。

AI处理海量数据通常需要大型数据中心，其中配备数千个GPU，每个GPU功耗高达1000瓦——相当于一台吸尘器或洗碗机，而且数据中心处理器全天候不间断运行。这种低效的根本原因在于，GPU通过软件和数十亿晶体管模拟人工神经网络，需要消耗大量能量来移动数据。相比之下，人脑在执行类似AI任务时能效高出约一百万倍。

为接近人脑的效率，神经形态工程试图构建更接近生物神经元和突触的电子元件。但现有方法要么依赖不可靠的实验性器件，要么需要大量CMOS晶体管模拟单个神经元，限制了系统规模。而研究人员偶然发现，一个普通的CMOS晶体管——甚至不是最先进的型号——就能同时充当神经元和突触。

2024年，一名学生在测量由晶体管和忆阻器组成的存储电路时，忘记连接晶体管的体终端，意外观察到电流的突然增大和滞后回线——这正是神经元的行为特征。后续分析表明，当体终端浮空时，碰撞电离产生的空穴在衬底中积累，触发隐藏的双极型晶体管，产生尖锐的电流尖峰。通过控制体终端电阻，可以精确调节这一行为，实现完美的电子神经元。

更令人惊讶的是，同一器件还能用作突触。通过调节体终端电压，电荷被俘获在栅介质中，改变晶体管的电导，且这种电导状态稳定可调。研究人员将这一神经元-突触组合称为神经突触随机存取存储器（NSRAM）。

与需要数十甚至数百个晶体管的传统实现相比，NSRAM仅需一两个晶体管，且完全兼容现有硅制造工艺，测试中100%的器件经过1000万次循环未出现故障。研究团队已申请专利，并在《自然》杂志发表结果。

传统神经形态芯片尽管在音频处理、计算机视觉等任务上已实现千倍功耗降低，但仍受限于面积和速度。NSRAM有望进一步突破这些限制。下一步，团队需要改进计算机模型、设计外围电路并进行系统级仿真。NSRAM技术首先适用于边缘AI任务，如提升电池供电设备的智能水平；若成功扩展，未来有望与最先进的GPU竞争，显著降低AI的环境足迹。

这一发现的意义在于，它证明了一个极其廉价且标准化的器件——MOSFET——能够实现过去需要数百万美元研发投入才能达到的神经形态功能。研究团队在两家不同的晶圆厂验证了结果，均获得100%良率。这为AI硬件的可持续发展开辟了全新路径。