为什么大脑的计算效率比 GPU 高 100 万倍

📌 一句话摘要

本文编译自红杉资本博客，Unconventional AI 创始人 Naveen Rao 从物理第一性原理论证了大脑计算效率比 GPU 高 100 万倍，并提出用非线性动力学系统替代冯·诺依曼架构来构建新型计算机。

📝 详细摘要

文章编译自红杉资本 AI Ascend 大会的演讲内容，核心论点是当前基于冯·诺依曼架构的数字计算机在能源效率上远低于生物大脑。作者 Naveen Rao 指出，全人类智慧总功耗约 160 吉瓦，而 AI 训练和推理动辄消耗千兆瓦，效率差距达百万倍。他认为根本原因在于 80 年前的计算机架构并非为智能设计，矩阵乘法和冯·诺依曼式的反复读写是能耗黑洞。Rao 提出基于非线性动力学的计算范式：让物理本身完成计算，状态是隐式的，无需显式读写。他展示了其公司正在流片的芯片原型，该芯片利用振荡器耦合网络实现可训练的动力学系统，能在极低功耗下完成复杂计算。文章还对比了 CPU、GPU、存内计算和动力学系统的能效差异，强调这是真正的非冯·诺依曼架构。

💡 主要观点

- 大脑的计算效率比当前 GPU 高约 100 万倍，这是物理层面的硬约束。 全人类大脑总功耗仅 160 吉瓦，而 AI 系统动辄消耗千兆瓦级电力。兰道尔原理规定了计算的热力学极限，生物学已接近该极限，而数字计算机还差三个数量级。

冯·诺依曼架构是能耗瓶颈，其反复读写状态的方式不适合智能计算。 传统计算机将状态和计算分离，每次操作都需要写入和读取内存，这消耗了绝大部分能量。大脑则通过非线性动力学将计算融入物理过程本身。

非线性动力学系统利用物理演化完成计算，无需显式状态读写。 通过可训练的振荡器耦合网络，系统从初始状态开始自然演化，物理本身完成计算。状态是隐式的，大幅降低了能耗。

新型芯片原型已可流片，展示了从随机状态收敛到特定类别的能力。 Unconventional AI 的芯片在 6 个月内从零到原型，利用 AI 辅助设计。演示显示系统能从随机像素演化出有意义的图像类别，并在状态空间内迁移。

💬 文章金句

- 大脑的计算效率比 GPU 高 100 万倍。

我们利用物理在时间维度上的演化来完成计算，而现有计算架构不是这样做的。
大脑是动态的。它不用矩阵乘法做计算。大脑使用非线性动力学来完成计算。
这真正是非冯·诺依曼架构的。
在给定能量下，能多快让学习发生？能多快把智能造出来？

📊 文章信息

AI 初评：86

来源：硅星人Pro

作者：硅星人Pro

分类：人工智能

语言：中文

阅读时间：17 分钟

字数：4017

标签：计算效率, 非冯·诺依曼架构, 非线性动力学, 神经形态计算, AI 硬件

阅读完整文章

为什么大脑的计算效率比 GPU 高 100 万倍

🤖 問 AI