AI和人脑,谁更“省电”?

多客科技

作者：微信文章
在处理诸如生成300字文本这类任务时，人工智能（AI）与人脑的能量消耗是一个引人入胜的比较点。现有研究表明，在完成特定任务时，AI的能耗通常远低于人脑，这与某些直观认知可能有所不同，但与AI旨在模仿人脑高效计算的神经形态工程学原理相符。

人脑被誉为一种复杂的、高性能的生物计算机，它能够以极高的效率和极低的功耗并行处理多项复杂任务。人脑的日常运作，包括维持生命活动所需的基础代谢，大约消耗20瓦的功率。这20瓦的能量消耗是持续的，无论人脑是否在主动执行认知任务，它都在维持其复杂的生物学结构和功能。例如，大脑皮层、丘脑和基底神经节系统中的神经场模型显示，帕金森病中增强的β波活动可通过系统共振来描述，这进一步突显了大脑活动的复杂性和内在能量消耗。

相比之下，AI系统，尤其是在经过优化后运行于节能硬件（如神经拟态芯片）上时，完成类似生成300字文本的任务可能只需要几瓦甚至更低的能量。例如，一些先进的神经形态设备已经能够实现超低功耗的突触事件，其最低能耗为0.06 fJ，远低于生物突触1–10 fJ的能耗。这种显著的差异源于AI系统与人脑在架构和信息处理方式上的根本区别。

现代AI系统，特别是基于深度神经网络（DNN）的模型，虽然在准确性方面表现出色，但往往以巨大的计算资源和能量消耗为代价。传统的冯·诺依曼架构中，存储和处理单元是物理分离的，导致在迭代计算过程中频繁的数据传输，这会消耗大量能量。AI数据中心日益增长的计算需求，特别是深度学习、自然语言处理和自主系统等应用，对图形处理单元（GPU）的需求量很大，而GPU在提高计算效率的同时，也带来了显著的功耗和散热问题。

然而，神经拟态计算（Neuromorphic computing）为解决AI的能耗问题提供了有前景的方向。神经拟态系统通过借鉴人脑的信息处理原理，旨在实现能量效率上的数量级提升。这种方法的核心在于模仿大脑的突触可塑性调制策略，通过化学技术、器件结构设计和物理信号调制等方式，实现高性能和多功能的神经拟态器件。例如，利用生物神经元启发而来的脉冲神经网络（SNN），结合专用硬件，可以实现事件驱动和功耗敏感的处理。这种方法能够通过生长、修剪和强化突触来同时优化突触权重和拓扑结构，并在内存中完成所有计算，这与现代AI系统分离权重优化和拓扑优化、依赖能耗密集型冯·诺依曼架构形成鲜明对比。

此外，边缘计算（Edge computing）与AI的结合也被认为是降低能耗的有效途径。通过在数据生成源头附近进行数据处理和计算，边缘计算可以减少数据传输距离，从而降低数据传输所需的能耗。AI算法还可以用于优化边缘计算环境中的资源分配，进一步提高能效。

研究人员正在探索各种优化技术，以降低AI模型训练和推理过程中的能耗，包括算法优化、硬件加速、量化和剪枝等。例如，光子神经拟态计算利用光子作为信息载体，具有高带宽、低损耗和高速传输的优势，有望实现超高速和超低功耗的计算。量子激活神经储层计算也展示了在低功耗下实现大规模硬件安全模型的潜力，例如一个量子激活循环神经网络能够在每平方厘米集成超过3万亿个硬件节点，每个读出通道仅消耗0.07 nW电能。

从长远来看，随着硬件技术的不断优化，如专门芯片和可能的量子计算技术发展，AI的能量消耗有望进一步下降。因此，虽然大型AI模型的训练过程能耗巨大16，但在执行特定任务时，经过优化的AI系统在能耗方面已经展现出超越人脑的潜力，这体现了神经拟态工程在未来AI发展中的重要性。



AI与人脑感知系统对比图

上图形象地展示了人工智能（AI）与人类感知-认知系统的对比。左侧的“AI”大脑结构和互连节点象征着AI的神经网络特性，其信息处理方式与右侧通过视觉、听觉、嗅觉和触觉等多种感官输入，再由神经信号传递至大脑的人类感知系统类似。虽然两者在信息处理的最终目的上存在相似性，即从环境中获取并理解信息，但其底层的物理实现和能量效率却大相径庭。人类感官系统与大脑的生物学结构是经过亿万年演化形成的，其能耗优化是基于生物学代谢需求和适应性。而AI系统，尤其是神经形态计算，则通过模仿生物神经元和突触的行为，利用新材料和新架构来设计硬件，以期在计算效率和能耗方面取得突破。
参考文献
Sun, Y., Wang, H., & Xie, D. (2024). Recent Advance in Synaptic Plasticity Modulation Techniques for Neuromorphic Applications. Nano-Micro Letters, 16(1). https://doi.org/10.1007/s40820-024-01445-x