[智能应用]全新人工神经元面世，能耗比人脑低数千倍！或彻底改变AI部署方式 [复制链接]

近日，美国南加州大学教授约书亚·杨（Joshua Yang）团队和合作者成功造出一个功能齐全的人工神经元 1M1T1R，这是一种能像真实脑细胞一样工作的人工神经元，有望催生出类似人脑的基于硬件的学习系统，并有望将 AI 转变为更加接近自然智能的形态。据媒体报道，这或将开启迈向 AGI 的下一个飞跃，很有可能是实现 AGI 的关键拼图之一，相关论文发表于 Nature Electronics。[1]。
1M1T1R 神经元每次放电消耗的能量达到皮焦耳级别，一皮焦耳级别大约是一只蚊子扇动一次翅膀所耗费能量的千分之一左右。研究团队通过模拟预测发现，如果使用更加先进的 3 纳米晶体管制造工艺，并将忆阻器进一步缩小，它的能耗可以进一步降低到艾焦耳级别，这意味着它比人脑中的一个神经元还要节能数千倍。
假如能用数以亿计的这种超低功耗神经元组成一个电子大脑，那么处理当前那些需要巨大服务器才能完成的 AI 任务，可能就只需要一块手表电池的电量。这或将彻底改变 AI 的部署方式，让 AI 可以嵌入到手表、眼镜甚至是植入式医疗设备中。
神经形态计算的重要里程碑，助力早日实现 AGI
我们现在常用的 AI 比如聊天机器人、图像生成器都属于狭义的 AI，它们非常擅长完成某个特定任务，但却无法将一个领域学到的知识灵活地应用到另一个领域。而许多人所期待的 AGI 将是一个能够自主学习的通才。
那么，1M1T1R 神经元如何帮助实现 AGI？其中的关键在于处理时空信息的能力。人类生活在时间和空间之中。当我们阅读一句话的时候，不仅需要识别每个字也就是识别空间信息，也需要理解这些字出现的先后顺序也就是理解时间信息。当我们接住一个飞来的球，我们需要实时预测它的轨迹和落点。这种对于时间序列信息的处理，是传统 AI 的短板，但却是人类大脑的强项。
本次研究团队使用 1M1T1R 神经元构建了一个循环脉冲神经网络，并利用它来挑战了一个非常困难的任务：识别“喷发脉冲海德堡数字”语音数据集。这个数据集模拟了人耳内神经元对于英语和德语中从数字 0 到数字 9 的听觉反应模式，是一个典型的时空信息处理难题。而上述由 1M1T1R 神经元驱动的网络，其识别准确率达到 91.35%。
研究团队还发现 1M1T1R 神经元拥有以下能力：其可塑性能够帮助网络更好地传播学习信号；其随机性能够帮助网络跳出局部最优解，找到更加全局化的解决方案，就像探险家故意走一些没走过的路反而可能会发现更大的宝藏；其不应期性可以优化整个网络的激活频率，从而能够助力于适应不同类型的任务。
这些结果表明 1M1T1R 神经元不仅是简单地模仿生物神经元，它更是一个功能强大的、可塑性极高的计算单元，能够胜任未来 AGI 所需要的复杂、动态的实时计算任务。
其优势在于，每个人工神经元都集中在一个晶体管的体积之内，而以往的设计方案则需要数十个甚至数百个晶体管。因此，1M1T1R 神经元能将芯片尺寸缩小几个数量级，从而能够大幅减低能耗。
美国空军研究实验室和 NASA 等机构参与研究
要想理解神经形态计算，可以从这样一个日常案例说起。当你碰到一个装有热水的滚烫杯子，你的手会嗖地一下缩回来，有时缩手的速度甚至快到你还没来得及感受到烫。事实上，这个动作不是你想出来的，而是大脑和神经系统这样一个无比精密的网络在千分之一秒内自动完成的。
在这个网络里，忙碌着上千亿个名字叫做神经元的微小细胞，它们通过发出和接收微小的电信号，不断地相互沟通，共同指挥着你的一切：从呼吸和心跳、到解答一道数学题、再到为一部电影落泪。科学家们一直在想：如果能够使用人造材料，模仿出这些神经元的工作方式，是不是就能创造一个像人脑一样的既智慧又高效的电子大脑？正因此，这个领域被称之为神经形态计算。
要想理解 1M1T1R 神经元这项发明，首先得从我们所用的电脑或手机说起。它们遵循的是一种叫做冯·诺依曼架构的模型。我们都知道电脑里有 CPU 和内存。在工作原理上，可以将 CPU 类比为一名搬运工，内存则是一个仓库。每当要完成一个任务，比如识别一张图片里有没有猫，搬运工就要不停地跑到仓库里去，把如何识别猫的指令书和图片数据搬出来，翻看之后再跑回去存放结果，整个过程非常奔波和耗电。这也就是每当我们运行一个稍微复杂的 AI 程序时，设备就会发烫、电量也会掉得飞快的原因。像 ChatGPT-5 这样的 AI，每天消耗的电量是一百多万个美国家庭的日常用电量。
再来看看我们的大脑，它大约只有 1.4 公斤重，功率仅仅相当于一个昏暗的灯泡，但却能实现连超级计算机都难以匹敌的认知功能，能够同时处理看、听、闻、思考、保持平衡等许多事情。这主要得益于大脑的网络结构和工作方式。
大脑里的每一个神经元都是一个独立的搬运工，它们彼此紧密相连形成一个巨大的网络。在大脑里，信息不是被搬来搬去，而是像海浪一样在神经元之间以电脉冲的形式进行传递和扩散。这种工作方式是并行的、异步的和事件驱动的，即所有搬运工一起干活，不需要统一时钟步调，同时只有在信号来临时才需要干活。基于此，科学家们意识到要想做出真正高效和智能的 AI，需要从根本上去改变硬件本身，让它去模仿大脑的结构。
过去，人们尝试使用传统的互补金属氧化物半导体（CMOS，Complementary Metal-Oxide-Semiconductor）电脑芯片来模拟神经元。但问题是，晶体管的工作原理和生物神经元有着云泥之别。为了模拟出神经元的某一个简单特性，比如模拟“积累信号后突然放电”这样一个特性，需要使用几十个甚至上百个晶体管来组成复杂电路。
而本次成果找到了一个更优雅的解决方案。他们从人体的生物神经元上获得了灵感。生物神经元的秘密在于离子。在我们的大脑中，钠离子、钾离子等在神经元细胞膜的内部时刻流动着，这会形成电压变化、进而会产生神经脉冲。这些离子的流动，会受到细胞膜上的离子通道的精密控制。那么，有没有一种电子元件，它的行为也可以像离子一样流动呢？当然有，这种电子元件的名字叫做扩散型忆阻器。
顾名思义，忆阻器就是一个有记忆的电阻。普通电阻就像一根粗细固定的水管。而忆阻器是一根能够自动调节粗细的智能水管：当电流从一个方向流过时，它的电阻会变小，这时就更容易导电；当电流反向或者电流消失时，它又会慢慢恢复原状。
扩散型忆阻器则更加神奇，它的内部存在银这样一种活性金属离子，当给它加上一个电压时，这些银离子就会像在迷宫中寻找出路一样，努力地从一端向另一端扩散和漂移，最终形成一条微小的导电通道，从而能够让电流通过，这一过程就好比神经元充电的过程。当电压撤掉，这些银离子又会因为自身无规则的热运动而迅速散开，从而导致导电通道断裂，进而让器件恢复到不导电的状态，这一过程就好比神经元的复位。
基于这个原理，研究团队设计出一个三合一结构，并将其命名为 1M1T1R 神经元，它由三部分组成：

• 第一部分是一个不对称的扩散型忆阻器，其被作为 1M1T1R 神经元的核心，负责感受输入信号，并使用离子运动来模拟神经信号的积累。
• 第二部分是一个晶体管，它充当着放大器和输出器的功能。当忆阻器突然导通时，晶体管的栅极电容会被快速充电，从而能像打开水闸一样，释放出一个强大的输出电流脉冲。
• 第三个部分是一个电阻，它扮演着安全阀和计时器的角色，控制着栅极电容放电的速度，决定着神经元在一次放电之后需要休息多长时间。

通过使用纳米技术，研究团队将忆阻器和电阻垂直堆叠在晶体管上面，最终一个功能完成的人工神经元所占据的面积，仅仅相当于一个普通晶体管那么大，这在集成度上是一个巨大的飞跃。
1M1T1R 神经元还表现出了生物神经元的六大关键特性：
第一个特性是漏点积分。举个例子，假如使用一个有裂缝的水桶去接水，需要接很久才能让水位升到桶口。水滴的间隔时间越长，从裂缝漏掉的水就会越多，这就是漏电积分。1M1T1R 神经元会对脉冲进行积累，但是期间会不断地泄露，使得它能够感知输入信号的时间模式。
第二个特性是阈值放电。仍以水桶接水为例，当水桶里的水终于满溢到桶边时，就会哗啦一下从顶部溢出来。1M1T1R 神经元也是如此，当它积累的电压达到一个临界值时，它不再会慢慢地释放，而是会产生一个强烈的、全有或全无的电脉冲。
第三个特性是级联传播。即一个神经元的输出，可以直接成为下一个神经元的输入。本次研究团队将两个 1M1T1R 神经元进行了连接，结果发现第一个所放的电，成功激发了第二个的积分与放电。这就像推倒了第一张多米诺骨牌，能够引发一连串的连锁反应。
第四个特性是内在可塑性。举个例子，当一个琴童反复练习同一个钢琴曲段，手指也会变得越来也灵活，这就是一种可塑性。1M1T1R 神经元也拥有类似的可塑性。在一次放电之后，会有极少量的银离子残留在通道中。当下一个信号来临时，这些残留物会让它更容易、更快地再次形成通道，从而让神经元变得更加敏感。
第五个特性是不应期。当 1M1T1R 神经元猛烈地放电之后，它会进入一个非常短暂的不应期。期间无论怎么刺激它，它都不会再次兴奋。这个不应期会在何时来临，由控制电阻和晶体管的电容共同决定，同时它的来临也可以被精确调控。这样一来就能确保神经信号拥有清晰的节奏，不会乱成一团。
第六个特性是随机性。1M1T1R 神经元中的银离子在扩散过程中的运动，本身具有微观的随机性，这导致神经元每次的积分时间和放电时刻都会有微小的、不可预测的变化。这种随机性能够让系统避免陷入死板的循环，而是能够更加灵活地适应环境变化。
基于这种神经元有望造出更小、更高效的芯片，这些芯片将能像人脑一样处理信息，并有可能为 AGI 的实现铺平道路。而在这项研究的背后，是来自美国南加州大学、美国麻省大学、美国空军研究实验室和 NASA 等机构的几十位科学家跨越多年通力合作的结果。期间，有人负责设计概念，有人负责在纳米尺度上雕刻这些微小的器件，有人负责进行精密的电学测量，有人负责编写模拟程序，正是这些努力让这个电子神经元从构想变为了现实。

人形机器人要攻克的难点太多了

南加州大学1M1T1R人工神经元：神经形态计算与AGI的关键突破

一、1M1T1R人工神经元的核心突破
近日，美国南加州大学约书亚·杨（Joshua Yang）教授团队在《自然·电子学》（*Nature Electronics*）发表论文，宣布成功研制出功能齐全的人工神经元1M1T1R。这一突破性成果标志着神经形态计算领域迈入新阶段，为实现通用人工智能（AGI）提供了关键硬件基础。

1. 极致能耗与微型化
- 皮焦耳级能耗：1M1T1R神经元每次放电仅消耗皮焦耳级别的能量，相当于一只蚊子扇动翅膀能耗的千分之一。模拟显示，采用3纳米晶体管工艺并缩小忆阻器后，能耗可进一步降至艾焦耳级别，比人脑神经元节能数千倍。
- 微型化集成：传统人工神经元需数十至数百个晶体管，而1M1T1R仅需单个晶体管体积，将芯片尺寸缩小数个数量级。这意味着未来“电子大脑”可集成数十亿神经元，且功耗极低——处理当前需大型服务器的任务，可能仅需一块手表电池供电。

2. 生物级功能模拟
1M1T1R神经元完美复刻了生物神经元的六大关键特性：
- 漏点积分：对脉冲信号进行累积并持续泄漏，感知时间模式。
- 阈值放电：积累电压达临界值时产生全或无的强烈脉冲。
- 级联传播：神经元输出直接作为下一神经元输入，形成信号链。
- 内在可塑性：放电后残留银离子使后续响应更敏感，增强学习能力。
- 不应期：放电后短暂抑制期，确保信号节奏清晰。
- 随机性：银离子扩散的微观随机性提升系统灵活性，避免陷入局部最优。

二、对AGI实现的革命性意义
当前AI（如聊天机器人、图像生成器）属狭义AI，局限于特定任务且缺乏跨领域迁移能力。1M1T1R神经元通过以下方式助力AGI：

1. 强大的时空信息处理能力
AGI的核心挑战之一是处理时间序列信息。研究团队构建的循环脉冲神经网络，在“喷发脉冲海德堡数字”语音数据集上达到91.35%的识别准确率。该数据集模拟人耳神经元对英语/德语数字0-9的听觉反应，是典型的时空信息处理难题。这证明1M1T1R神经元能高效处理动态、时序数据，为AGI理解语言、预测运动等奠定基础。

2. 类脑学习机制的硬件实现
- 可塑性：帮助网络传播学习信号，实现类似人脑的突触强化。
- 随机性：如同探险家探索未知路径，助网络跳出局部最优解。
- 不应期：优化激活频率，适应不同任务需求。

这些特性使1M1T1R不仅是生物神经元的简单模仿，更是功能强大的计算单元，能胜任AGI所需的复杂、动态实时任务。

三、颠覆AI部署方式
传统冯·诺依曼架构（CPU+内存）在处理AI任务时效率低下，如ChatGPT-5每日耗电量相当于百万家庭用电。而神经形态计算通过模拟大脑“并行、异步、事件驱动”的工作机制，彻底改变这一局面：

- 低功耗嵌入式AI：手表、眼镜等可穿戴设备将具备复杂AI能力。
- 植入式医疗设备：实时监测生理信号并作出智能响应。
- 边缘计算革新：AI任务无需云端支持，在本地设备即可高效完成。

四、技术原理与多机构协作
1. 核心结构：1M1T1R三合一设计
- 1M（扩散型忆阻器）：核心组件，通过银离子扩散模拟神经信号积累与复位。
- 1T（晶体管）：充当放大器和输出器，触发强电流脉冲。
- 1R（电阻）：控制放电后恢复时间，调节不应期。

三者垂直堆叠于单个晶体管体积内，实现超高集成度。

2. 跨机构合作
该项目由南加州大学牵头，联合美国空军研究实验室、NASA等机构共同完成。涉及纳米器件制造、电学测量、模拟程序开发等多个领域专家的协作，体现了尖端科研的跨学科特性。

五、未来展望
1M1T1R神经元的成功为神经形态芯片产业化铺平道路。未来若能实现大规模量产，将催生：
- 类脑超级计算机：能耗仅为传统超算的千分之一。
- AGI硬件基础：为自主学习、跨领域推理的通用智能提供物理载体。
- 医疗与消费电子革命：个性化医疗设备、智能交互终端等应用场景将爆发式增长。

正如约书亚·杨教授所言：“我们不仅在模仿大脑，更在创造一种全新的计算范式。”这一突破或许正如文章标题所述，“开启迈向AGI的下一个飞跃”，成为实现通用人工智能的关键拼图。

总结
南加州大学团队研发的1M1T1R人工神经元，以其超低能耗、微型化集成和生物级功能模拟，重新定义了AI硬件的可能性。它不仅解决了传统计算架构的效率瓶颈，更在时空信息处理和类脑学习机制上迈出关键一步。随着技术成熟，我们有理由相信，AGI的实现正从遥远的梦想逐步走向现实。

全新人工神经元的面世，以其比人脑低数千倍的能耗优势，成为AI领域的突破性进展，有望彻底改变传统AI的部署方式。

一、技术内核：模仿生物神经元的低能耗设计
这些新型人工神经元的核心创新在于深度借鉴人脑的结构与工作机制：

模拟生物树突功能：融合大脑神经元树突的信息处理特性，让人工神经元能独立完成复杂计算，无需依赖传统神经网络的“全连接”架构，减少了参数数量和计算步骤。
脉冲信号传递：采用类似人脑的脉冲信号（而非传统数字信号）进行信息交流，仅在需要时激活神经元，避免了持续高能耗的“空载”状态。
神经拟态芯片支撑：通过神经拟态芯片将计算单元（神经元）与存储单元（突触）紧密集成，模仿人脑“存算一体”的结构，消除了传统计算机“数据搬运”的能耗瓶颈。
二、关键突破：解决低能耗与准确性的矛盾
此前，模拟生物神经元的人工系统常因“器件失配”（芯片组件差异导致信号偏差）导致性能下降。研究人员通过梯度替代法，让脉冲神经网络在训练过程中自动适应芯片的硬件特性，在保持语音、视觉等任务准确性的同时，将能耗降低至标准处理器的千分之一，甚至低于人脑的能量消耗（人脑约20瓦，新型系统能耗仅为其数十分之一）。

三、对AI部署的变革性影响
低能耗特性让AI从“云端依赖”转向“本地部署”成为可能：

普惠化落地：无需庞大的算力集群，AI模型可直接部署在医疗、工业、边缘设备等场景的本地终端（如医院工作站、智能传感器），降低了成本门槛，推动AI从“高端应用”向“基层普惠”扩展。
数据安全提升：本地部署让数据无需传输至云端，规避了泄露风险，尤其适用于医疗、金融等敏感领域（如医疗AI的患者数据闭环处理）。
效率优化：“存算一体”的结构减少了数据延迟，让AI能更快速地响应实时任务（如智能机器人的即时决策、自动驾驶的环境感知）。
未来展望
这种低能耗人工神经元的普及，有望推动AI进入“轻量化、本地化、普惠化”的新阶段。从智能终端到具身机器人，从医疗诊断到工业控制，AI将更紧密地融入日常生活与生产，成为真正的“嵌入式智能”，彻底改变人类与机器的交互方式。