實驗室失誤可能徹底改變計算方式

今天，你很可能向大語言模型提問、接受LinkedIn的好友建議、觀看YouTube推薦視頻，或根據Google Maps的交通預測選擇通勤路線——換句話説，你使用了人工智能。但你可能不知道這些交互消耗了多少能源，以及背後的原因。

AI處理海量數據通常需要大型數據中心，其中配備數千個GPU，每個GPU功耗高達1000瓦——相當於一台吸塵器或洗碗機，而且數據中心處理器全天候不間斷運行。這種低效的根本原因在於，GPU通過軟件和數十億晶體管模擬人工神經網絡，需要消耗大量能量來移動數據。相比之下，人腦在執行類似AI任務時能效高出約一百萬倍。

為接近人腦的效率，神經形態工程試圖構建更接近生物神經元和突觸的電子元件。但現有方法要麼依賴不可靠的實驗性器件，要麼需要大量CMOS晶體管模擬單個神經元，限制了系統規模。而研究人員偶然發現，一個普通的CMOS晶體管——甚至不是最先進的型號——就能同時充當神經元和突觸。

2024年，一名學生在測量由晶體管和憶阻器組成的存儲電路時，忘記連接晶體管的體終端，意外觀察到電流的突然增大和滯後回線——這正是神經元的行為特徵。後續分析表明，當體終端浮空時，碰撞電離產生的空穴在襯底中積累，觸發隱藏的雙極型晶體管，產生尖鋭的電流尖峯。通過控制體終端電阻，可以精確調節這一行為，實現完美的電子神經元。

更令人驚訝的是，同一器件還能用作突觸。通過調節體終端電壓，電荷被俘獲在柵介質中，改變晶體管的電導，且這種電導狀態穩定可調。研究人員將這一神經元-突觸組合稱為神經突觸隨機存取存儲器（NSRAM）。

與需要數十甚至數百個晶體管的傳統實現相比，NSRAM僅需一兩個晶體管，且完全兼容現有硅製造工藝，測試中100%的器件經過1000萬次循環未出現故障。研究團隊已申請專利，並在《自然》雜誌發表結果。

傳統神經形態芯片儘管在音頻處理、計算機視覺等任務上已實現千倍功耗降低，但仍受限於面積和速度。NSRAM有望進一步突破這些限制。下一步，團隊需要改進計算機模型、設計外圍電路並進行系統級仿真。NSRAM技術首先適用於邊緣AI任務，如提升電池供電設備的智能水平；若成功擴展，未來有望與最先進的GPU競爭，顯著降低AI的環境足跡。

這一發現的意義在於，它證明了一個極其廉價且標準化的器件——MOSFET——能夠實現過去需要數百萬美元研發投入才能達到的神經形態功能。研究團隊在兩家不同的晶圓廠驗證了結果，均獲得100%良率。這為AI硬件的可持續發展開闢了全新路徑。