在人工智能技術(shù)飛速發(fā)展的當(dāng)下，大型模型對海量數(shù)據(jù)的依賴程度不斷加深，傳統(tǒng)計(jì)算機(jī)架構(gòu)的局限性日益凸顯。其中，內(nèi)存與處理能力分離的馮·諾依曼架構(gòu)，正因“內(nèi)存墻”問題成為制約人工智能發(fā)展的關(guān)鍵瓶頸。這一架構(gòu)下，數(shù)據(jù)在內(nèi)存與處理器間頻繁傳輸，不僅消耗大量時(shí)間，更導(dǎo)致能源效率低下，成為亟待突破的技術(shù)難題。

馮·諾依曼架構(gòu)自1945年提出以來，長期主導(dǎo)計(jì)算機(jī)設(shè)計(jì)領(lǐng)域。然而，隨著語言處理模型規(guī)模在四年內(nèi)激增5000倍，其內(nèi)存容量與處理速度失衡的缺陷愈發(fā)突出。計(jì)算機(jī)工程師將這種性能瓶頸形象地稱為“內(nèi)存墻”——數(shù)據(jù)傳輸需求遠(yuǎn)超內(nèi)存帶寬，導(dǎo)致系統(tǒng)整體效率大幅下降，尤其在運(yùn)行大型人工智能模型時(shí)，能源消耗問題尤為嚴(yán)峻。

針對這一挑戰(zhàn)，科研團(tuán)隊(duì)提出了一種革命性解決方案：借鑒人腦運(yùn)作機(jī)制，構(gòu)建內(nèi)存與處理能力深度融合的新型計(jì)算機(jī)架構(gòu)。這種被稱為“內(nèi)存計(jì)算”（Compute-in-Memory，CIM）的技術(shù)，通過將計(jì)算單元直接嵌入內(nèi)存系統(tǒng)，從根源上減少數(shù)據(jù)傳輸需求。研究指出，CIM架構(gòu)可顯著提升處理效率，為突破“內(nèi)存墻”提供可行路徑。

算法層面，研究團(tuán)隊(duì)采用脈沖神經(jīng)網(wǎng)絡(luò)（Spiking Neural Networks，SNN）作為核心模型。盡管SNN曾因速度與精度不足備受質(zhì)疑，但近年通過算法優(yōu)化與硬件適配，其性能已實(shí)現(xiàn)質(zhì)的飛躍。這種模擬人腦神經(jīng)元脈沖傳遞方式的算法，與CIM架構(gòu)形成完美互補(bǔ)，進(jìn)一步降低了系統(tǒng)能耗。

該技術(shù)的潛在應(yīng)用場景廣泛。科研人員認(rèn)為，通過整合內(nèi)存與計(jì)算功能，人工智能設(shè)備可擺脫對數(shù)據(jù)中心的依賴，實(shí)現(xiàn)自主運(yùn)行。例如，醫(yī)療監(jiān)測設(shè)備可延長電池續(xù)航時(shí)間，交通運(yùn)輸系統(tǒng)能提升實(shí)時(shí)決策能力，無人機(jī)則可搭載更復(fù)雜的算法執(zhí)行任務(wù)。這種低功耗、高效率的設(shè)計(jì)，為人工智能向邊緣端滲透創(chuàng)造了條件。

研究團(tuán)隊(duì)強(qiáng)調(diào)，降低能源消耗是人工智能從實(shí)驗(yàn)室走向?qū)嶋H應(yīng)用的關(guān)鍵。當(dāng)前技術(shù)路徑下，設(shè)備體積與能耗的矛盾制約著人工智能的普及，而CIM架構(gòu)與SNN算法的結(jié)合，有望推動(dòng)技術(shù)向更便攜、更經(jīng)濟(jì)的方向發(fā)展。這一突破不僅為計(jì)算機(jī)架構(gòu)設(shè)計(jì)提供了新思路，更為人工智能在多領(lǐng)域的深度應(yīng)用奠定了技術(shù)基礎(chǔ)。