AI的低碳转型：模拟芯片的隐形力量
发布日期：2025/12/19
人工智能正变得更加强大，但同时也带来了巨大的能源消耗。据估计，一次完整的ChatGPT查询所消耗的电量大约是美国普通家庭一分钟用电量的两倍。将这一数字乘以数十亿次的查询以及训练人工智能模型所需的庞大计算量，其能源影响是惊人的。
随着研究人员竞相寻找为人工智能提供动力的更环保方式，由康奈尔理工学院电气与计算机工程副教授田一辰（Tianyi Chen）领导，并与IBM和伦斯勒理工学院的研究人员合作的一项新研究，探索了一个颇具前景的解决方案：模拟内存计算（AIMC），利用模拟芯片。
传统架构需要不断地在内存和处理器之间来回移动数据，而模拟内存计算将数据的存储和处理集中在一个位置。“这利用物理学原理瞬间完成数学计算，无需移动数据，有可能将功耗降低1000倍，从而使下一代人工智能实现可持续发展，”田一辰说道，他同时也是康奈尔工程学院的副教授。
尽管模拟芯片在模型训练完成后能够以极低的能耗运行人工智能模型，但训练这些模型一直是一个主要难题。“模拟硬件的行为并不完美，”田一辰说。“用于更新模型参数的电脉冲可能不均匀，或者受到噪声的干扰，这会导致梯度不准确和学习效果下降。”
田一辰的团队迎难而上，并于12月4日在2025年神经信息处理系统大会（NeurIPS）上进行了口头报告。该团队开发了一种流行的人工智能训练算法“反向传播”的模拟版本。研究人员将其模拟版本称为“残差学习”，该方法能够系统地纠正不完美之处，确保训练过程顺利进行。这种方法并非简单地修复错误，而是针对模拟硬件的特性采取了一种系统性的方法。“残差学习”引入了一个额外的层，用于跟踪这些不完美之处并实时进行纠正，从而保持学习过程的稳定和无偏差。结果是，模拟芯片能够以接近数字系统的准确性训练人工智能模型，同时消耗更少的能量，为绿色、大规模的人工智能铺平了道路。
“从本质上讲，我们动态地补偿了硬件的自然缺陷，使得模型能够以与数字硬件相当的准确性进行训练，但能耗却只有其一小部分，”田一辰说。田一辰表示，这一突破可能具有变革性。它将使训练和微调大型人工智能模型的能耗和成本大幅降低。这可能会使目前因高能耗而无法实现的应用成为可能，从医疗设备和可穿戴技术到工业传感器和自主机器人。这一发展还可能导致专门为模拟硬件设计的全新人工智能模型架构的出现。
该团队的下一步工作包括将该方法适配到开源的前沿模型上，并探索行业合作以扩大该技术的应用规模。“这为开发出比我们目前拥有的任何模型都更节能的模型打开了大门，”田一辰说。“我们的研究可能会真正改变我们构建和使用人工智能的方式。”
来源：国际能源小数据
