劍橋的材料科學與冶金系在 Science Advances 上發表了一篇 paper,描述了一種 memristor — 一種把記憶體和計算結合在同一位置的晶片組件 — 由改性的鉿氧化物建構。數字令人印象深刻:switching 電流比傳統氧化物 memristors 低約一百萬倍,數百個穩定的不同類比電導級別(而不是二進制開/關),以及一個頭條聲明,即與當前數位晶片相比,AI 能耗減少高達 70%。機制類似於大腦突觸如何運作 — 漸進的、連接強度的類比調整,而不是離散的數位狀態。首席作者 Dr. Babak Bakhit 注意到主要障礙:製造過程目前需要約 700°C 的溫度,這與上限較低的標準半導體製造線不相容。
這是什麼和不是什麼。Memristors 並不新 — 1971 年理論上被描述,2008 年物理實現 — 但實用、節能、可製造的 memristors 是二十年來的研究前沿。劍橋的貢獻是材料科學:不是依靠絲狀 switching(其中微小的導電路徑形成和斷裂,這很挑剔且高能耗),他們用添加的鍶和鈦加上兩步生長過程工程化了鉿氧化物,在介面處創建 p-n 接面 — 像標準半導體電子學中已經存在的閘的微觀版本。這個選擇給了他們「記憶體內計算」所需的穩定類比級別,在那裡相同的物理組件儲存資料並做數學,消除了現代晶片大部分能源預算所消耗的記憶體和處理器之間的往返。70% 數字作為對一般神經形態計算的類別聲明是有意義的,作為這個特定設備相對於特定基線的經驗證屬性則較少。
這對非專業人士為什麼重要。AI 的能源足跡已成為真正的公共對話 — 資料中心購買核 PPA、town boards 因用水用電拒絕計算 facilities、前沿 labs 公開談論軌道資料中心,因為陸地約束在咬人。當前架構(記憶體和計算分離,資料在它們之間穿梭)是使 AI 如此飢渴能源的原因,而不是數學本身。原則上,在原地計算的神經形態晶片可以將 AI 推理的電費切一個數量級,就像大腦以約 20 瓦運行,而 Llama 級模型需要千瓦進行類似推理一樣。這個特定的劍橋設備是否到達那裡或保持作為研究原型,幾乎完全取決於是否有人可以重新工程化製造以在標準 CMOS 溫度(低於約 450°C)下運行。多個 labs 正在研究低溫 memristor 工藝;劍橋團隊不聲稱他們已經破解了那個,只是他們有一個穩定的類比設備,一旦解決溫度問題就值得整合。
實際預期。神經形態計算已經「五年後」十五年了;這篇 paper 沒有戲劇性地改變那個時間線。它做的是在可能在規模上運作的方法管線中添加另一個可信架構,與 Intel 的 Loihi、IBM 的 NorthPole 和各種創業努力(Rain AI、BrainChip、Synthara)並列。對日常使用者,誠實的期望是接下來三年的 AI 能源效率改進將來自演算法最佳化(model distillation、speculative decoding、KV cache 壓縮)和更好的數位矽(Blackwell → Rubin、AMD MI400、Google TPU 8),而不是神經形態晶片。過了 2028,如果 labs 能解決劍橋 paper 強調的製造溫度約束,神經形態加速器可能從研究移到專門部署 — 可能首先在邊緣設備(always-on voice、感測器分析),那裡節省瓦特的數學最具說服力,只有後來在資料中心推理中。這篇 paper 是真實進步;時間線仍以晶片代際衡量,不是產品週期。