仿生電腦：AI未來的革命性突破

為了提升人工智慧（AI）的效能，電腦科學家正從神經科學中尋找靈感。他們認為，讓傳統AI更像人腦，可以創造出更精簡、更靈活，甚至更聰明的技術。哈佛大學的計算神經科學家Kanaka Rajan表示：「要真正改進AI，我們需要融入神經科學的見解。」

這種「神經形態」技術或許不會完全取代傳統電腦或AI模型，但英特爾神經形態計算實驗室的主任Mike Davies認為，未來將是各種系統共存的局面。模仿大腦並非新概念，早在1950年代，神經生物學家Frank Rosenblatt就設計了感知器，這是一種高度簡化的大腦神經細胞通訊模型。

數十年後，感知器的基本設計啟發了深度學習技術，這種技術使用多層巢狀的人工神經元來識別資料中的複雜模式。然而，這種方法無法像大腦那樣靈活適應新情況或從單一經驗中學習。相反，當今大多數AI模型需要消耗大量資料和能量來完成任務，例如自動駕駛汽車的導航。

Numenta的技術長Subutai Ahmad指出，傳統AI模型「過於粗暴且效率低下」。儘管如此，中國公司DeepSeek推出的模型卻打破了這一趨勢，以更少的資料和能量複製了聊天機器人的功能。未來是粗暴力量還是效率勝出，尚無定論。

與此同時，神經形態計算專家一直在開發更接近大腦的硬體、架構和演演算法。田納西大學的電腦科學家Catherine Schuman表示：「人們不斷提出新概念和新硬體實現方式。」這些進展主要用於生物大腦研究和感測器開發，尚未成為主流AI的一部分，但未來可能改變這一局面。

以下是四種有潛力改進AI的神經形態系統：

1. 讓人工神經元更逼真

真實的神經元是複雜的活細胞，不斷接收環境訊號，直到電荷達到特定閾值並觸發。神經形態計算工程師已成功在人工神經元中模仿這種模式，這些神經元屬於脈衝神經網路，模擬大腦的訊號傳遞。與傳統AI的深度學習網路不同，脈衝神經網路的啟用是稀疏的，而非全部同時啟用。

2. 連線數十億個脈衝神經元

英特爾和IBM等科技巨頭正在開發大規模的神經形態晶片。例如，IBM的NorthPole晶片結合了記憶和處理功能以節省能源，而英特爾的Hala Point系統則擁有11.5億個電子神經元，相當於貓頭鷹大腦的神經元數量。

3. 設計可適應的「大腦」

MIT的研究團隊從線蟲的大腦中獲得靈感，開發了一種稱為「液態神經網路」的AI演演算法。這種網路能夠根據輸入資料動態調整引數，類似於生物系統的學習方式。實驗顯示，液態神經網路在適應新情境方面表現優於傳統AI模型。

4. 基於人類大腦結構的創新

Numenta公司從人類大腦的新皮質中獲得啟發，開發了一種新的AI演演算法。新皮質是大腦進行高階思考的區域，包含數萬個垂直結構的皮質柱。這些皮質柱被認為是智慧的主要驅動者，未來可能透過定製硬體實現更高效的計算。

神經形態硬體可能最適合尚未發明的演演算法。Sandia國家實驗室的神經科學家James Aimone表示：「這是最令人興奮的部分。」這項技術有潛力讓未來的計算「更節能且更強大」。

總之，神經形態計算為AI和計算領域開闢了新的可能性。透過結合演演算法、架構和硬體的創新，研究人員有望實現更高效、更智慧的技術突破。