人脑处理大量信息。当葡萄酒爱好者品尝新酒时，他们大脑中的神经网络会处理来自每一口酒的一系列数据。他们的神经元中的突触触发，权衡每一位数据的重要性——酸度、果味、苦味——然后将其传递到网络中的下一层神经元。随着信息的流动，大脑会解析出葡萄酒的类型。

科学家们也希望人工智能(AI)系统成为复杂的数据鉴赏家，因此他们设计了神经网络的计算机版本来处理和分析信息。人工智能在许多任务上都在赶上人脑，但通常会消耗更多的能量来做同样的事情。我们的大脑在进行这些计算的同时消耗估计平均20瓦的功率。人工智能系统可以使用数千倍。这种硬件也可能滞后，使人工智能比我们的大脑更慢、效率更低、效率更低。人工智能研究的一大领域正在寻找能源密集度较低的替代品。

现在，在《应用物理评论》杂志上发表的一项研究中，美国国家标准与技术研究院(NIST)的科学家及其合作者开发了一种新型的人工智能硬件，它可以使用更少的能源并更快地运行——而且它已经已经通过了虚拟品酒测试。

与传统的计算机系统一样，人工智能包括物理硬件电路和软件。AI系统硬件通常包含大量耗能的传统硅芯片：例如，训练一个最先进的商用自然语言处理器会消耗大约190兆瓦时(MWh)的电能，大约是美国16人一整年的使用量。那是在人工智能完成它受过训练的工作一天之前。

一种能耗较低的方法是使用其他类型的硬件来创建人工智能的神经网络，研究团队正在寻找替代方案。一种显示出前景的设备是磁隧道结(MTJ)，它擅长神经网络使用的各种数学运算，并且只需要相对少量的能量。其他基于MTJ的新型设备已被证明比传统硬件设备消耗的能源少几倍。MTJ还可以更快地运行，因为它们将数据存储在进行计算的同一位置，这与将数据存储在其他地方的传统芯片不同。也许最重要的是，MTJ在商业上已经很重要。多年来，它们一直用作硬盘驱动器的读写磁头，如今已被用作新型计算机存储器。

尽管研究人员基于MTJ过去在硬盘驱动器和其他设备中的表现对它们的能源效率充满信心，但能源消耗并不是本研究的重点。他们首先需要知道一组MTJ是否甚至可以作为神经网络工作。为了找出答案，他们将其用于虚拟品酒会。

NIST的AI硬件项目的科学家和他们在马里兰大学的同事利用他们在加利福尼亚州圣何塞的西部数据研究中心的合作者提供的MTJ制造并编程了一个非常简单的神经网络。

就像任何葡萄酒鉴赏家一样，人工智能系统需要训练它的虚拟味觉。该团队使用来自由三种葡萄制成的178种数据集中的148种葡萄酒来训练网络。每款虚拟酒都有13个特性需要考虑，例如酒精度、颜色、类黄酮、灰分、碱度和镁。每个特征都被分配了一个介于0和1之间的值，以供网络在区分一种葡萄酒和其他葡萄酒时考虑。

NIST物理学家布莱恩·霍斯金斯(BrianHoskins)说：“这是一次虚拟品酒，但品酒是通过分析设备完成的，比自己品尝更有效，但乐趣更少。”

然后它在完整的数据集上进行了虚拟品酒测试，其中包括它以前从未见过的30种葡萄酒。该系统以95.3%的成功率通过。在它没有训练过的30种葡萄酒中，它只犯了两个错误。研究人员认为这是一个好兆头。

NIST物理学家JabezMcClelland说：“获得95.3%的结果告诉我们这是有效的。”

关键不是要建立一个人工智能侍酒师。相反，这一早期的成功表明，一系列MTJ设备可能会被放大并用于构建新的AI系统。虽然人工智能系统使用的能量取决于其组件，但使用MTJ作为突触可以将其能量消耗大幅减少一半甚至更多，这可以降低“智能”服装、微型无人机或传感器等应用的能耗在源头处理数据。

“通过使用这种类型的阵列实现大型神经网络，与传统的基于软件的方法相比，很可能会显着节省能源，”McClelland说。