怎么让 AI 系统的能耗直接砍掉七成？剑桥大学搞了个大新闻，用一种全新的纳米组件彻底解决了这个难题。最近《科学进展》Science Advances 期刊上登出了这项研究成果，Babak Bakhit 博士领导的团队从人类大脑得到启发，把“类脑计算”Neuromorphic Computing 变成了现实。他们用二氧化铪 Hafnium oxide 做成了一种非常稳的低能耗忆阻器 Memristor。这种东西最大的特点就是把数据存储和处理的功能合二为一，完全不用像以前那样在内存和处理器之间来回折腾。 跟现在市面上常见的忆阻器不同，剑桥的家伙走的是创新路子。以往那些设备大多靠在金属氧化物里长出细导电丝 Filaments 来工作，但这东西非常不可控，还得用高压电去驱动。研究人员为了换个玩法，往里面掺了锶 Strontium 和钛 Titanium，还搞了个两步生长法，在接口处弄出了一个微小的电子闸门 p-n 结。这招相当厉害，能通过改变接口的能量壁垒来平稳地调节电阻，彻底告别了那种靠不稳定的导电丝来工作的老黄历。 效果方面非常惊人。这款新组件的切换电流比老款低了差不多 100 万倍，而且能提供几百个稳定的电导档位。这对实现“内存内计算”In-Memory Computing 来说简直是神助攻。实验室里的测试也证明了这一点：它能承受几万次的开关循环，还能模拟生物学习行为，比如脉冲定时依赖可塑性 Spike-Timing Dependent Plasticity。这说明硬件不光能存东西，还具备了自我学习和适应的本事。 虽然前景一片光明，但生产上的难题还得想办法解决。现在的制造温度需要差不多 700 度，这可是超出了标准半导体工艺的限制。Babak Bakhit 博士说团队正拼命在降温度，好让它能跟现有的工业标准兼容。他强调如果能把这东西整合进芯片里，那对 AI 硬件来说绝对是一个巨大的跨越。他透露在研发过程中遇到了无数失败，直到去年 11 月底通过修改两阶段沉积法（先把第一层做好再引入氧气），才终于拿到了满意的结果。虽然现在还只是个开头，但这种低耗能的高性能组件确实给未来的 AI 节能转型带来了希望。