以树为中心的人工智能可以运行在瓦，而不是兆瓦

模拟树形树枝的电子产品可以形成神经元用来相互通信的网络，这可能会导致人工智能不再需要云端可用的兆瓦功率。网上亚博Ayabo2016一项新的研究表明，届时人工智能将能够依靠智能手机电池的电量来运行。

大脑模仿人工智能系统被称为神经网络随着体积和功率的增长，它们变得越来越昂贵，也越来越耗能。例如，训练其最先进的神经网络GPT-3, OpenAI花费460万美元运行9200个gpu两周。加州斯坦福大学的神经形态工程师、该研究的作者Kwabena Boahen说，GPT-3在训练过程中消耗的能量所释放的碳相当于1300辆汽车在同一时间内从排气管中喷出的碳。

现在，Boahen为人工智能系统提出了一种方法，以提高它们传输的每个信号所传达的信息量。他说，这可以减少他们目前所需的能源和空间。

在神经网络中，被称为神经元的组件被输入数据并合作解决问题，例如识别人脸。神经网络反复调整突触连接它的神经元修改每个突触的“权重”，即一个神经元对另一个神经元的影响强度。然后，该网络决定由此产生的行为模式是否更有利于找到解决方案。随着时间的推移，系统会发现哪些模式最适合计算结果。然后，它采用这些模式作为默认值，模仿人类大脑的学习过程。一个神经网络叫做"深如果它拥有多层神经元。(例如，GPT-3拥有1750亿个权重，连接着相当于830万个排列在384层深处的神经元。)

人工智能目前的进步是执行两倍的任务计算每两个月一次。然而，电子行业每两年才会将执行这些操作所需的设备增加一倍。这意味着人工智能通常仅限于云，而云可以提供所需的数千个处理器。

以前，降低计算能量成本的一种方法是缩小晶体管，并将它们密集地封装在一起。然而，这种策略的回报正在减少，因为晶体管之间的信号现在必须在微芯片上传播得越来越远，而电线越长，信号消耗的能量就越多。缩短这些距离的一种策略是在三维空间中相互堆叠电路，但这种方法会减少用于散热的表面积。

为了解决这一问题，Boahen概述了一种让人工智能系统在发送更少信号的同时传递更多信息的方法。为了实现这一目标，他建议系统可能想要模拟与目前不同的部分生物神经元。他认为它们不应该模仿突触(神经元之间的空间)，而是应该模仿树突结构。

生物神经元有三个主要部分:树突、轴突和细胞体，它们分别类似于树的树枝、根和树干。树突是神经元接收来自其他细胞信号的地方，例如，另一个神经元的轴突。突触是将树突或轴突与另一个细胞分开的空间。

树突可以大量分支，使一个神经元与许多其他神经元相连。先前的研究发现，树突从其分支接收信号的顺序决定了其反应的强度。当树突连续接收到从顶端到茎部的信号时，它的反应比从茎部到茎部连续接收到这些信号时更强烈。

在这个树突状纳米级器件的概念图中，电压脉冲从左到右连续施加到所有五个栅极上，使铁电绝缘层中的所有电偶极子从下向上翻转。斯坦福大学/性质

基于这些发现，Boahen开发了一个树突的计算模型，只有当它以精确的顺序接收到来自神经元的信号时才会做出反应。这意味着每个树突可以对数据进行多种编码，而不仅仅是碱基2 - 1或0，开或关——就像今天的电子元件一样。它将使用更高的基数系统，这取决于它拥有的连接数量和它接收到的信号序列的长度。

Boahen提出，一串铁电电容器可以模拟树枝晶的延伸，取代场效应晶体管的栅极堆叠，形成一个铁电场效应晶体管(FeFET)。他说，一个1.5微米长的具有5个栅极的FeFET可以模拟一个15微米长的具有5个突触的树突。

在人脑中，单个神经元可以与数千个其他神经元相连。博亨说，这种人工版本可能被证明“在3D芯片上是可行的”。

现在，博亨和他的同事已经找到了国家科学基金会200万美元的拨款探索这种“树状中心学习”方法。他在11月30日的杂志上详细介绍了这一概念自然．