人脑运行仅需15瓦。实时模拟人脑则需要27亿瓦。以下是这一差距存在的原因以及当前的对策。

我一直在深入研究生物神经系统与人工神经网络之间的能效差距，其数字之惊人远超我的预期。人脑在感知、记忆、语言、运动控制、情绪调节和创造性思维方面仅消耗约12-20瓦的功率——大致相当于一盏床头灯。瑞士蓝脑计划（Blue Brain Project）估算，实时模拟人脑的全部处理过程需要大约27亿瓦的电力，相当于三座核电站的发电量。除了显而易见的“生物更高效”之外，以下因素解释了这一差距： - **无冯·诺依曼瓶颈**：传统计算机中，内存与处理器物理分离，数据不断来回传输，每一步都消耗能量。而大脑中的突触同时承担存储和计算功能，不存在类似的传输过程。 - **稀疏激活**：大多数神经元在任一时刻处于静默状态。功耗与大脑实际执行的任务成正比，而非理论最大值。AI硬件往往让大量晶体管持续切换，即使操作并非立即需要（尽管混合专家架构正试图改进这一点）。 - **事件驱动信号**：神经元仅在放电时产生脉冲，其余时间保持静息。数字晶体管每秒开关数十亿次，每次转换都消耗能量，无论是否有用。 《神经科学前沿》（Frontiers in Neuroscience）中一篇经过同行评审的估算指出，人脑相对于硅基芯片的能效优势约为2.7 × 10¹³倍——这既考虑了每次操作的效率，也考虑到当前硬件模拟生物活动所需的时间比实时慢了约3万倍。 有趣之处不仅仅在于“大脑好，芯片差”。实际上，神经形态计算研究正试图缩小这一差距： - **TDK/CEA** 开发了工作状态的自旋忆阻器（利用量子磁特性同时充当存储器和处理器，类似突触），目标是将当前AI功耗降至1/100以下。 - **布法罗大学** 正在利用相变材料复制大脑的节律性电振荡。 - **德州农工大学** 的“超级图灵AI”采用赫布学习（“同时放电的细胞会连接在一起”）而非反向传播，并在无人机上进行了测试：该无人机无需预先训练即可在陌生环境中导航，速度更快且能耗低于传统AI。 不过，效率提升往往会被反弹效应抵消。如果神经形态芯片将每次查询成本降低100倍，但使用量增长200倍，总能耗仍会上升。国际能源署（IEA）已两次上调其AI能源消耗预测。 我在这篇文章中提供了更深入的分析及完整来源：https://4billionyearson.org/posts/the-staggering-inefficiency-of-ai-v-the-human-brain 好奇这里的人们如何看待：受大脑启发的架构究竟是真正的可行路径，还是会在规模扩大后遇到新的瓶颈？