现有计算机为何难以满足AI算力需求？

导读：

人工智能在高风险应用场景下所需的运算能力，远远超出了当前计算机在可控能耗范围内的性能上限，如何弥合这一鸿沟，已成为当代科研人员与工程师所遭遇的重大难题之一。

人工智能在关键任务中所需的算力水平，与现有计算机在节能条件下所能达到的处理能力之间的落差，是当代科学家和工程师所面对的核心难题之一[1]。

要弄清这一现象，我们首先需要了解当今计算机的架构原理。

那么硬件层面的瓶颈究竟在哪里？

常规计算机任务每次仅需处理少量数据，但人工智能对硬件性能的要求则苛刻得多。

在算力调度与内存利用方面，人脑的效率远超人类目前能够制造的任何计算设备。

其一，神经元兼具数据存储与信息处理的双重功能。

其二，神经元能够构建可塑的网络结构，该结构具备动态调整与自主学习的能力（图2A）。

其三，神经元仅在必要时才被激活并传递信号。

这三项特性相互结合，使大脑同时具备强大的处理能力与极低的能耗表现。

迈向"类脑计算"方向的关键一步，便是"存算一体架构"（CiM）。

而"神经形态芯片"则代表了更深层次的探索[5]。

这些借鉴大脑工作原理的芯片还引入了"量化"技术——将数据转化为更简洁、更紧凑的表示形式，使计算机在保持关键信息完整的前提下实现更快的运算速度。

无论是存算一体还是神经形态芯片，当前均仍处于实验研究阶段。

试想这样的场景：地震发生后，一架搜救无人机穿越坍塌的建筑残骸

以存算一体和神经形态芯片为代表的新型硬件方案，配合脉冲神经网络等神经形态算法，不仅能够使无人机震后救援这类生死攸关的应用成为现实，还将为众多其他领域带来深远影响

随着人工智能在我们日常生活中扮演日益关键的角色，计算机必须在保持精准与迅捷的同时实现能源的高效利用。

倘若这些科研工作取得突破，那么当前制约计算性能提升的"存储墙"难题或将不复存在。这将预示着，从应急救灾到医疗健康，再到各类日常电子产品，人工智能系统将迎来更快、更节能的发展阶段。