随着人工智能（AI）规模的爆发式增长，其能耗已成为行业痛点。一项最新研究提出：通过模仿生物神经元的树突结构，未来的AI可能不再需要云数据中心的天量电力，而是仅靠智能手机电池就能运行。

一、当前AI的巨大能耗困境

现代AI的核心是神经网络——一种模拟人脑结构的计算系统。然而，随着网络变得更深、更复杂，其能源需求也急剧飙升。

典型例子：GPT-3训练成本

• OpenAI训练GPT-3时，使用了9200个GPU，持续运行两周。
• 总花费高达460万美元。
• 消耗的能源相当于1300辆汽车在同时间内排放的碳（来自研究作者Kwabena Boahen的估算）。

为什么这么耗能？因为神经网络通过调整突触权重来学习（例如GPT-3拥有1750亿个权重，连接相当于830万个384层深的神经元）。每次调整都需要大量计算。

二、传统节能方法已到瓶颈

过去，人们通过缩小晶体管、密集封装来降低计算能耗。但这种方法正失效：

• 信号需要在芯片上传播更远距离，电线越长，能耗越高。
• 另一种方案是三维堆叠电路，但这样会减少散热表面积，导致过热。

小提示：云数据中心之所以能运行AI，是因为它们拥有数千个处理器和庞大的冷却系统。而移动设备完全无法承受这样的功耗。

三、新方案：模仿树突来传输更多信息

斯坦福大学神经形态工程师Kwabena Boahen提出一个碘伏性思路：AI系统不应只模仿突触，而应模仿“树突”。

生物神经元的三大结构

• 树突（类似树枝）：接收来自其他神经元的信号。
• 轴突（类似根）：发送信号给其他神经元。
• 细胞体（类似树干）：整合信号。

传统神经网络只模拟了突触（两个细胞之间的间隙）和权重调整。而树突具有更复杂的特性：信号接收的顺序会影响响应强度——从顶端到茎部顺序接收时，响应更强；反向则更弱。

Boahen的“树突计算模型”

• 他设计了一种计算单元，仅当树突按精确顺序收到信号时才触发。
• 这意味着每个树突可以编码更丰富的数据——不再是传统的二进制（0/1），而是更高基数的系统，取决于连接数量和信号序列长度。
• 这样，每个信号能携带更多信息，从而减少所需信号总数，大幅降低能耗。

四、硬件实现：铁电FET（FeFET）

Boahen建议用一系列铁电电容器模拟一段树突，取代传统场效应管的栅极堆叠，形成铁电FET（FeFET）。

• 一个1.5微米长的五栅极FeFET，可以模拟一个15µm长、具有五个突触的树突。
• 相比传统晶体管，FeFET的尺寸可缩小10倍，且支持3D堆叠。
• Boahen表示，这种“dendrocentric learning”（以树突为中心的学习）方法在3D芯片中完全可行。

小提示：人脑中一个神经元可与数千个其他神经元连接。FeFET版本同样能实现大规模互连，且能耗极低。

五、研究进展与未来

Boahen团队已获得200万美元的美国国家科学基金会赠款，用于继续探索该方案。2024年11月30日，他在《自然》杂志上发表了详细论文。

常见问题解答

Q1：这项技术距离实际应用还有多远？
A：目前处于概念验证阶段，但FeFET工艺已相对成熟。团队需要在3D芯片上验证其性能，预计未来3-5年内可能见到原型。

Q2：树突计算能完全替代现有神经网络吗？
A：不能完全替代。它更适合特定任务（如边缘计算设备上的实时推理）。对于云端的超大模型训练，传统GPU仍是必需。

Q3：如何保证树突顺序编码不出现错误？
A：FeFET的模拟特性存在一定噪声。Boahen的模型中包含了容错机制，且通过大量冗余连接提高可靠性。实际应用时需搭配针对性纠错算法。

Q4：智能手机电池真的能支持这种AI运行吗？
A：是的。由于信号数量减少，能耗可下降数个数量级。例如，目前运行一个中型AI模型（如人脸识别）需要1-5瓦，新方法可能降至毫瓦级，完全可由手机电池长期供电。

这项研究为AI从云端走向个人设备提供了全新路线。未来，我们的手机、手表甚至智能眼镜，都可能拥有独立运行强大AI的能力，而不再依赖与数据中心的实时连接。