人工智能彻底改变了各个行业，实现了突破性的数据处理、决策和自动化进步。然而，人工智能的大量计算需求——尤其是在机器学习 (ML) 和深度学习 (DL) 应用中——引发了人们对能源消耗和环境可持续性的重大担忧。
例如，人工智能技术目前消耗了全球约 7% 的电力——相当于印度一年的用电量。随着人工智能的不断扩展，探索更可持续的人工智能硬件方法势在必行。模拟芯片的开发和利用代表了一条有希望的途径。
为什么要可持续人工智能？
人工智能应用的指数级增长显著增加了能源消耗，这主要是由所需的大量计算资源推动的。传统数字计算——当前人工智能系统的支柱——能源消耗量显著增加，导致碳足迹增加。数据中心是人工智能计算的核心，目前消耗全球约 1% 的电力——如果目前的趋势持续下去，这一数字在未来几十年可能会上升到 3% 至 8%。
除了能源使用之外，人工智能对环境的影响还包括电子硬件的生产和处置，这导致了电子垃圾的产生，对环境造成了重大危害。大型数据中心的冷却要求进一步加剧了用水量和环境恶化。这些考虑凸显了可持续人工智能技术的需求，这些技术可以减少能源和资源消耗并最大限度地减少电子垃圾。可持续人工智能涉及开发节能硬件和优化算法以降低功耗。模拟芯片以其大幅节省能源的潜力而闻名，是解决这些挑战的可行解决方案。
模拟芯片的行业创新
IBM 一直处于开发用于 AI 应用的模拟芯片的前沿，以其受大脑启发的设计引领创新。IBM 的模拟芯片采用相变存储器 (PCM) 技术，其运行能耗远低于传统数字芯片。PCM 技术在晶体状态和非晶体状态之间改变材料相，实现高密度存储和快速访问时间——这些品质对于高效的 AI 数据处理至关重要。在 IBM 的设计中，PCM 用于模拟人工神经网络中的突触权重，从而促进节能的学习和推理过程。
除了 IBM，各种初创公司和研究机构也在推进模拟芯片在 AI 中的潜力。总部位于奥斯汀的初创公司 Mythic 设计了融合内存和计算的模拟 AI 处理器。这种集成允许直接在内存中执行 AI 任务，最大限度地减少数据移动并提高能源效率。此外，Rain Neuromorphics 专注于神经形态计算，其模拟芯片旨在模仿生物神经网络。这些芯片连续处理信号并执行神经元计算，使其成为创建可实时学习和响应的可扩展、适应性强的人工智能系统的理想选择。
模拟芯片在人工智能中的应用
模拟芯片有可能通过提供节能且可扩展的硬件解决方案来彻底改变各种人工智能应用。模拟芯片可以产生重大影响的一些关键领域包括：
1.边缘计算：边缘计算涉及在靠近源头（例如传感器或物联网设备）的地方处理数据，而不是依赖集中式数据中心。这种方法可以减少延迟、改善实时决策并降低与数据传输相关的能源成本。模拟芯片具有低功耗和紧凑的设计，是边缘计算应用的理想选择。它们可以使人工智能设备在边缘执行复杂的计算，从而减少数据传输需求并最大限度地减少能源使用。
2.神经形态计算：神经形态计算旨在复制人脑的结构和功能，以实现更高效和适应性更强的人工智能系统。模拟芯片特别适合神经形态计算，因为它们可以处理连续信号并并行执行计算。通过模仿神经过程的模拟性质，模拟芯片可以实现节能且可扩展的人工智能系统，这些系统可以实时学习和适应。
3.人工智能推理和训练的效率：模拟芯片本身就具有使其特别适合人工智能推理和训练的功能，这不仅仅是一种应用，而是一种基本的设计特性。这些芯片擅长执行矩阵乘法运算（神经网络计算的核心组件），其效率远高于数字芯片。这种内在效率意味着在人工智能训练和推理阶段可以节省大量能源。因此，可以更有效地扩展人工智能模型的部署，避免通常与数字芯片相关的高昂能源成本。这使得模拟芯片成为增强人工智能技术可持续性和可扩展性的自然选择。
挑战和未来前景
虽然模拟芯片为可持续人工智能提供了巨大的机会，但必须克服几个挑战才能充分利用其潜力。一个主要的挑战是开发能够达到数字计算精度和准确性的模拟计算架构。鉴于模拟计算本质上容易受到噪声和变化的影响，这些问题可能会影响人工智能模型的可靠性。
目前的研究致力于开发减轻这些担忧并增强模拟人工智能系统鲁棒性的技术。即使有这些挑战，模拟芯片仍然非常适合传感器数据处理和实时环境监测等应用，在这些应用中，噪声带来的轻微变化并不会抵消降低功耗和更快处理速度的好处。另一个挑战是在当前人工智能系统的主要数字基础设施中集成模拟芯片。这种转变将需要对硬件和软件栈进行大量修改。
创建融合模拟和数字计算优势的混合架构的努力正在推进，有助于更平稳地过渡到更可持续的人工智能硬件。尽管存在这些障碍，人工智能中模拟芯片的前景仍然乐观。材料科学、电路设计和人工智能算法的不断改进推动了更高效、更可扩展的模拟人工智能系统的发展。随着对环保人工智能解决方案的需求增加，模拟芯片将在为节能人工智能技术提供动力方面发挥关键作用。
--Simran Khokha是英飞凌科技公司的产品经理。
参与评论 (0)