最近，英国纽卡斯尔大学的研究团队成功研发出一种非神经网络的硬件方案，能够大幅降低AI系统的能耗。这一成果发布后，不少硬件领域的从业者都感到振奋——毕竟，功耗问题一直是人工智能落地过程中最难攻克的瓶颈之一。

他们的验证方式非常直观：先训练一个神经网络，再采用另一项名为Tsetlin机器的技术，让两者分别从标准的MNIST数据集中识别手写数字。经过对比，性能差距立刻显现。

纽卡斯尔大学高级讲师Rishad Shafik透露了一个关键数据：“即开即用的神经网络，每焦耳能量只能执行不到10万亿次操作；而我们设计的第一台Tsetlin机器，同一能耗下可执行高达65万亿次操作。原因很简单：逻辑设计被大幅简化了。”他还进一步指出，在数字识别实验中，一台Tsetlin机器识别15个单词所消耗的能量，仅相当于神经网络识别一个单词的能量——这样的能效比，是不是非常直观？

说到Tsetlin机器，它的根基其实并不算新。这是一种源于“学习自动机”的技术，最早可以追溯到20世纪60年代，由苏联科学家Mikhail Tsetlin提出的机器学习算法。Shafik解释说，原始版本存在一个重大缺陷：基础形态的学习自动机需要适配过多的状态，几乎无法在硬件上实现。

转折点出现在几年前。挪威阿格德大学的AI教授Ole-Christoffer Granmo将学习自动机与经典的博弈论和布尔代数相结合，找到了降低复杂性的方法。他将简化后的算法做成软件，并以创始人的名字命名为“Tsetlin机器”。

借助Granmo的研究基础与手把手的协助，纽卡斯尔团队找到了突破口：他们发现一种方式，能够将Tsetlin机器的数据类型和基础算法高效映射到逻辑门上，并在FPGA和定制ASIC上成功落地。而且，这套方法不仅适用于AI训练阶段（学习过程），同样适用于训练完成后的推理阶段。

至于Tsetlin机器与神经网络功耗差距如此巨大的根本原因，Shafik将其归结为两者映射到硬件的方式不同。神经网络——即便是二值神经网络——本质上仍是算术运算，涉及大量乘法和加法；而Tsetlin机器的硬件完全不需要算术运算。他直言不讳地说：“这纯粹是逻辑层面的并行操作。”

纽卡斯尔微系统研究小组组长Alex Yakovlev（同时也是AI团队的联合负责人）补充道：“能量效率是AI最重要的赋能因素之一，同样关键的是能够解释AI的决策过程。这两点都推动我们必须摆脱算术运算，而我们设计的Tsetlin机器硬件正好解决了这一问题。”

那么，这种机器到底能做什么？Shafik回答得非常直接：“任何类型的机器学习都需要训练。本质上，它能完成神经网络所能做的所有事情。”——听起来，这项技术的潜力相当可观。