人工智能（AI）正以惊人的速度发展，但其能耗问题却成为阻碍其进一步突破的重要挑战。近日，萨里大学的研究团队提出了一种全新的方法，他们从人脑的生物神经网络中汲取灵感，为人工智能性能的提升开辟了一条可持续的新路径。
这项研究发表在《神经计算》期刊上，核心思想是通过模仿人脑的神经连接方式来优化人工神经网络的性能。人脑中的神经元连接方式极为高效，每个神经元仅与附近或相关的神经元建立联系，这种“地形稀疏映射”方法被证明能够显著提高生成式人工智能以及现代AI模型（如ChatGPT）的性能。
萨里大学高级讲师罗曼·鲍尔博士指出：“我们的研究表明，智能系统可以以更高的效率构建，减少能源需求而不牺牲性能。”研究团队进一步强调，这种方法能够减少大量不必要的神经连接，从而以更加环保的方式实现性能提升，同时保证准确性不受影响。
值得注意的是，训练现有的大型AI模型往往需要消耗超过一百万千瓦时的电力。这种巨大的能源消耗显然无法与AI行业的快速增长相适应。为此，研究团队还开发了“增强地形稀疏映射”技术，该技术在训练过程中引入了受生物启发的“修剪”过程。这种修剪过程类似于人脑在学习时逐渐优化神经连接的方式，使得人工智能模型在资源消耗上进一步降低。
这一突破性的研究不仅仅局限于提升现有人工智能模型的效率，还为未来的技术发展指明了方向。例如，研究团队正在探索该方法在神经形态计算机中的应用。神经形态计算机是一种受人脑结构和功能启发的计算技术，能够更真实地模拟人脑的工作机制，为人工智能迈向更高层次的智能化提供可能。
随着人工智能的不断进步，如何在性能与能耗之间找到平衡将成为不可回避的重要议题。萨里大学的研究无疑为这一领域注入了新的活力，也让我们对未来的人工智能技术充满期待。或许，模仿人脑的神经网络连接方式真的可以成为打开未来之门的钥匙。
)
)
)
)
)
)
)
)
)
)
)
)
)
)
)