A053 PNAS | 类脑计算能否解AI能耗之困？
来源：公众号 PSY-Brain_Frontier ｜ 发布：2025-11-11 ｜ 原文链接
PsyBrain 脑心前沿 | 公众号 PSY-Brain_Frontier
一键关注，点亮星标 ⭐️
不错过每日前沿资讯
认知神经科学前沿文献分享
基本信息：
Title:Can neuromorphic computing help reduce AI’s high energy cost?
发表时间：2025.10.29
Journal:PNAS (Core Concepts)
影响因子：9.1
获取原文：
- 后台回复“文献”即可获取PDF版本
- 点击页面底部“阅读原文”即可跳转论文原网页
省流总结
背景：训练与推理让LLM能耗飙升，GPT-3 训练≈120户家庭年用电，GPT-4 更甚。传统节能路径（算法/绿电/堆芯片）遇到边际瓶颈。
核心思路： 向人脑取经：存算同位、事件驱动、脉冲时序，尽量减少数据搬运与“无事做功”，以更少能耗完成同等计算。
工程进展：Intel Loihi 2（≈11.5亿“神经元”规模级仿真）、IBM NorthPole在图像分类上以极低能耗且更快跑通基准。
应用苗头： BrainScaleS-2平台、实时癫痫监测原型、边缘/可穿戴与高速机器人等场景。
挑战与前景： 可塑突触工程化、缺少“杀手级应用”、产业迁移成本高，但可与主流LLM形成混合/分工协作体系。
正文
生成式人工智能（AI），尤其是大语言模型（Large Language Model, LLM），正快速渗透到搜索、办公、内容创作与科研等几乎所有信息工作流中。然而“聪明”的背后，是令人侧目的能耗账本：以往资料显示，GPT-3 的一次训练消耗的电力相当于120户家庭一整年的用电；迭代后的 GPT-4 训练能耗被估算为前者的 50 倍，而更大规模的 GPT-5 很可能只高不低。这还仅仅是“训练期”的账单，并未把海量在线推理（inference）阶段算上。当你每天和智能助手对话、用AI润色邮件、生成图像或代码时，看不见的机房风扇与液冷系统也在高速运转。对于企业，这直接转化为成本与碳排放；对于社会，这意味着电力系统与数据中心基础设施的持续扩容压力。
过去两年，学界与产业界主要从三条路径“抠能耗”：其一，继续打磨算法，提升样本利用率，或设计稀疏激活（sparse activation）、专家混合（Mixture-of-Experts, MoE）等结构，让每次推理只点亮模型的一小部分；其二，更多使用可再生能源供电；其三，在摩尔定律的余温里榨干器件与封装的潜力，把更多晶体管塞进更小的芯片、缩短数据搬运距离，靠并行化把大任务拆成更小的子任务来跑。这些办法确实有效，但也面临边际收益递减：当模型规模继续指数级上升、应用渗透更深入，单靠“更快的GPU + 更大机房”很难长期托底。
于是，一个“老理念新风口”再次走进视野：类脑计算（Neuromorphic Computing）。它并非今日新词，早在上世纪80年代，卡佛·米德（Carver Mead）就提出用硅片去模拟神经系统，把感觉与计算做在一处。这一路线的魅力很直观——人脑仅靠约 20 瓦功率完成语言、视觉、运动控制等复杂任务，大致等于两只家用LED灯泡的功耗。如果计算机系统能够在结构与运行机制上更像大脑：例如存算同位（compute-in-memory）、事件驱动（event-driven）、时序脉冲（spike-based）而非时刻满负荷地“轮询”——是否就能把“能耗/算力”比率拉到一个全新水平？这正是本文所评述的PNAS“核心概念”（Core Concepts）文章的发问与梳理。
文章从AI能耗背景出发，逐步引出类脑计算的关键思想与工程化进展：从记忆与计算共址的芯片架构、忆阻器（memristor）等新器件，到脉冲神经网络（Spiking Neural Network, SNN）的节能潜力；从Intel Loihi 2与IBM NorthPole的硬件里程碑，到BrainScaleS-2等科研平台、再到癫痫实时监测等应用苗头。同时，作者也坦率点出落地挑战：可塑突触（plastic synapse）的工程化、“杀手级应用”的缺位、以及产业链对全新架构的接受度等现实制约。对于“AI为何这么耗电、为什么类脑可能更省电、产业到了哪一步、还差什么”，本文给出了结构化的“科普+形势报告”。这类综述对科研人员、芯片工程师、产品经理与政策制定者都有参考价值：它既不夸大，也不失乐观，强调类脑计算与主流AI共存与协同的前景，而不是“替代一切”的乌托邦。
对普通读者而言，我们可以把问题理解得更生活化：当手机里照片越来越清晰、语音助手越来越“懂你”、办公软件越来越“会写”，云端和本地的AI都在“电老虎化”。如果未来的智能汽车、AR眼镜、可穿戴设备都要本地跑更强的AI，那么“把大脑的节电秘诀搬到芯片上”就不仅是学术好奇，更是民用电子能耗天花板的关键变量。类脑计算给出的答案或许不是“今天就能替换GPU”的银弹，但它很可能是下一代“高能效AI”的基础拼图之一。
文章信息
Ornes, S. (2025). Can neuromorphic computing help reduce AI’s high energy cost? PNAS, 122(44), e2528654122. https://doi.org/10.1073/pnas.2528654122 IF: 9.1 Q1 B1
相关阅读
周报-20251006 | 近两周解读的29篇顶刊论文汇总 | 认知神经科学前沿动态 ⭐️[解读链接]
周报-20250922 |认知神经科学前沿动态周览 *⭐️[解读链接]***
周报-20251020|认知神经科学前沿动态周览**⭐️[ 解读链接 ]****
Nature |决策过程的动力学机制与神经模式转变 ⭐️[解读链接]
Nature |颠覆认知 ! “神经振荡”不成立？耶鲁团队提出大脑“伽马事件”新理论 ⭐️[解读链接]
Science |中国将领衔未来25年全球脑计划，剑指灵长类大脑地图 *⭐️[解读链接]***
Neuron |大脑如何区分现实与想象？伦敦大学学院团队最新研究揭秘“现实信号”的神经密码 ⭐️[解读链接]
Nature | 视觉系统新发现：压缩式的物体识别机制 ⭐️[解读链接]
Nat Hum Behav｜你不是天生就爱跟风：社会特征学习理论揭示人类“随大流”背后的秘密 *⭐️[解读链接]***
Nature |“读心术”成真？从瞳孔变化中解码大脑皮层完整时空动态 ⭐️[解读链接]
PNAS｜刷短视频停不下来？研究揭示“新奇感”是驱动人类探索的古老密码 *⭐️[解读链接]***
Neuron | 最强脑发育数据库RBC开放下载，6000+青少年大脑数据揭示精神健康的秘密 ⭐️[解读链接]
Nature 子刊综述｜大脑预测误差的核心回路 *⭐️[解读链接]***
前沿交流 | 欢迎加入认知神经科学前沿交流群！⭐️[解读链接]
核心图表、方法细节、统计结果与讨论见原文及其拓展数据。
分享人：BQ
审核：PsyBrain 脑心前沿编辑部
PsyBrain 脑心前沿
带你了解心理学、脑科学的前沿知识与技术流程
预览时标签不可点
阅读原文
不喜欢
微信扫一扫
关注该公众号
知道了
微信扫一扫
使用小程序
取消 允许
取消 允许
取消 允许
× 分析
微信扫一扫可打开此内容，
使用完整服务