普渡团队推类脑AI方案：冲破“内存墙”，显著降耗

随着大模型对海量数据的依赖越来越强，传统计算机中内存与处理分离带来的**“内存墙”**正消耗大量时间与电力。普渡大学与佐治亚理工学院团队在《科学前沿》发表的新研究，提出用类脑算法打造新型计算架构，力求大幅压低 AI 模型的能耗。

 冯·诺依曼架构之痛:内存墙

今天的大多数计算机仍沿用1945年提出的冯·诺依曼架构：内存与计算分开，数据在两者间来回搬运时就会遇到瓶颈。普渡大学计算机工程教授、论文主要作者考希克·罗伊指出，过去四年语言模型规模增长了5000倍，让效率问题变得迫切，他呼吁从根本上重新思考计算机的设计方式。工程界把内存难以跟上处理速度的矛盾称为**“内存墙”**，它吞噬了驱动底层 AI 模型所需的大量时间与能量。

解决方案:受人脑启发的“内存计算”

研究团队认为，破解内存瓶颈的关键，是尝试把内存和计算合一的新型架构，这一思路被称为**“内存计算”（Compute-in-Memory，CIM）**。

• 算法核心：建议采用受大脑工作方式启发的脉冲神经网络（Spiking Neural Networks，SNN）。过去 SNN 常被批评“慢、准度不高”，但近年表现已有明显提升。

• CIM 优势：论文提到，“CIM 将计算直接融入内存系统，为突破内存墙提供了很有前景的路径。”这种融合可显著减少数据搬运，提升处理效率。

 应用前景:从数据中心走向现实世界

研究人员相信，把处理与存储做在同一系统内，能显著降低 AI 的能耗。普渡大学合著者、研究员坦维·夏尔马表示：“要让 AI 走出数据中心、进入真实场景，我们必须把能耗大幅降下来。”

借此，AI 有望集成进小巧、亲民且续航更久的设备，推动医疗设备、交通出行与无人机等领域的升级。