在人工智能技术飞速发展的当下，能耗问题正成为制约行业进一步突破的关键瓶颈。传统数据中心因电力消耗过高而面临运营压力，这一困境源于现代芯片架构的固有缺陷——处理器与存储器间的数据频繁传输不仅消耗大量时间，更产生难以忽视的热量。剑桥大学科研团队近日在《科学进展》期刊发表研究成果，通过模拟生物神经系统的运行机制，成功开发出可降低人工智能能耗70%的新型设备，为解决这一全球性难题提供了创新方案。
研究团队以人脑神经元与突触的高效协作模式为灵感，突破传统计算机二进制系统的限制，研制出基于氧化铪材料的忆阻器。这种微型器件实现了信息处理与存储的物理融合，通过调节电脉冲改变导电特性，使数据流在单一介质中完成动态处理。实验数据显示，该设备在保持百万倍精度优势的同时，仅需微弱电流即可维持稳定运行，其能量利用效率显著优于需要持续数据交换的传统芯片架构。
新型设备的核心创新在于引入电荷记忆功能，能够精确记录流经自身的电流变化。科研人员通过优化导电率调节机制，使硬件系统具备类似生物神经连接的自主学习能力。这种设计不仅减少了数据传输路径，更通过模拟人脑的并行处理模式，从根本上改变了信息处理方式。测试表明，采用该技术的计算系统在图像识别等任务中，能耗较传统架构降低七成，且运算速度提升显著。
尽管这项突破性技术尚处于实验室阶段，但其为下一代计算设备设计开辟了全新路径。研究团队指出，该成果可应用于需要低功耗运行的智能传感器、边缘计算设备及自动驾驶系统等领域。随着材料科学与神经形态工程的发展，这种模拟生物大脑运行机制的解决方案，有望推动人工智能技术向更高效、更可持续的方向演进，为应对全球能源挑战提供技术支撑。
