當前，人工智能正在迅速部署到商業和金融的各個方面。一些令人興奮的成功給行業帶來了接受這項新技術的壓力，因為沒有人愿意被競爭對手遠遠拋在后面。

人工智能背后的核心技術是神經網絡模型、深度學習算法和用于訓練的海量數據集。該模型是為特定目的而構建的，例如對象識別、語音識別和對象跟蹤。“模型”描述了神經網絡的構建方式、網絡有多少參數以及有多少層。

神經網絡的總體精度是訓練數據集的質量和大小、參數數量和訓練過程的函數。這不是一門精確的科學。訓練過多，模型對訓練集的響應良好，但對現實情況的響應卻不佳。這是模型“過度擬合”。訓練太少，模型將無法響應所有已知情況。

沒有一個模型是完美的。總是存在誤差幅度，并且會出現模型沒有參數的異常情況。在過去10年中，隨著功能和準確性的提高，模型變得更加復雜。

Bard和GPT-4等大型語言模型使用的模型使用數千億個參數，需要海量數據集進行訓練。即使是最強大的個人計算機也無法處理需要大量計算能力和內存資源的大型模型。計算是通過互聯網(云)在大型數據中心計算機(服務器場)上完成的。

服務器場用于自然語言處理、生成文本和圖像、視頻流分類以及物聯網過程控制和監控等應用。《連線》 雜志估計，訓練像 GPT-4 這樣的大型模型需要花費1億美元，并在11個月內使用多達10000個配備強大A100 GPU處理器陣列的系統。已知最大的模型是Google GLaM，擁有超過1 萬億個參數。

如今，模型變得越來越大，但這些系統能否繼續擴展?

SemiAnalysis首席分析師Dylan Patel表示，每天運行ChatGPT的成本估計高達70萬美元。 該成本細分為維護、計算機資源折舊以及服務器和冷卻系統的電力消耗。在谷歌和加州大學伯克利分校(《科學美國人》)聯合發表的一項研究中，GPT-3 的耗電量為1,287 兆瓦時。

當考慮到全球服務器場的數量和人工智能處理的成倍增加時，這一點值得高度關注。隨著越來越多的人開始訪問在線人工智能，服務器群的功耗可能會增加。到2025年，服務器群可能消耗全球20% 以上的電力。

服務器群使用配備強大計算機和GPU的大型機架。它們包含數千個處理核心，可用作并行處理單元來計算神經網絡的功能。單個GPU使用的功率可高達400瓦，服務器最多可使用32個 GPU。一個公司的大型數據中心集群可能部署多達250萬臺服務器。即使只有一半的服務器配備GPU，最壞情況下的計算也將達到16000兆瓦時。換言之，這是大量的溫室氣體排放的源泉。

有多種方法可以減少服務器群對環境的影響。解決方案的一部分是更高效的硬件以及可再生能源的使用。另一種方法是使用混合解決方案，在專用的、低功耗但高性能的神經形態硬件中執行分布在邊緣的大部分處理。神經形態處理的靈感來自大腦的節能方法。

人腦包含大約860億個神經元細胞(大約是最大的大型語言模型GLaM的80倍)，估計有100萬億個連接(大約是 GLaM 的 100 倍)。每個細胞都有不同數量的電化學記憶。存儲在這種生物記憶中的信息可以被認為等同于神經網絡模型中的參數。

與人工神經網絡相比，大腦模型是動態的。當我們學習時，它會創造新的連接和更多的記憶，當我們睡覺時，它會修剪多余的連接。人腦神經網絡盡管比最大的人工智能模型還要大，但其消耗的能量僅相當于20 瓦，比一個燈泡還少。盡管我們在過去幾年中取得了成功，但大腦的結構與當今人工智能系統中使用的神經網絡模型有很大不同。

神經形態處理借鑒了大腦的高效處理技術，將其行為復制到數字電路中。雖然數字電路可能不如模擬電路那么節能，但穩定性、可互換性和速度超過了輕微的功耗優勢。由于事件驅動的卷積殼，使用神經形態計算引擎對開發人員和用戶來說是透明的。

神經形態處理可以運行卷積神經網絡 (CNN)，并可以在ImageNet1000上運行圖像分類、實時視頻分類、氣味和味道識別、振動分析、語音和語音識別以及疾病和異常檢測。由于其功耗低，因此可以在便攜式和電池供電的工具中使用這些功能。

通過在快速神經形態計算設備中使用分布式人工智能處理，可以減少數據中心過多的功耗，從而降低運營成本并提高邊緣產品的功能和響應能力。神經形態處理可以幫助補償人工智能預期的負面環境影響。