随着人工智能技术的飞速发展，大型模型对海量数据的依赖程度日益加深，然而传统计算机架构中内存与处理能力分离的设计缺陷正逐渐暴露为严重的性能瓶颈。这种被称为**“内存墙”**的困境不仅制约了计算效率，更导致巨大的能源浪费。为了突破这一限制，普渡大学与佐治亚理工学院的研究团队在《科学前沿》杂志上发布了一项创新性研究成果，提出基于类脑算法的新型计算机架构设计，旨在为人工智能领域带来革命性的能耗降低方案。
当前计算机普遍采用1945年诞生的冯·诺依曼架构，这种将内存和处理单元分置的设计在处理大规模数据时暴露出明显短板。普渡大学计算机工程教授、本项研究的主要作者考希克·罗伊指出：”过去四年间，语言处理模型的规模增长了5000倍，这种架构效率问题已变得不容忽视，我们必须从根本上重新审视计算机的设计理念。”计算机工程师们将内存容量难以匹配处理速度的矛盾称为**“内存墙”**，这一瓶颈不仅拖慢了运算速度，更消耗了人工智能模型运行所需的大量时间和能源资源。
针对这一挑战，研究人员提出了创新的解决方案——**“内存计算”（Compute-in-Memory，CIM）**架构。这种将计算能力直接集成到内存系统中的设计理念，灵感来源于人脑的运作机制。论文核心观点强调：”通过将计算能力直接嵌入内存系统中，CIM为解决内存墙问题提供了极具前景的路径。”这种整合方式能够显著减少数据传输量，从而大幅提升处理效率。
在技术实现层面，研究人员建议采用受人脑神经元启发的脉冲神经网络（Spiking Neural Networks，SNN）。尽管SNN在过去因速度较慢、精度不足而饱受争议，但近年来随着算法优化，其性能已实现显著突破。这种类脑算法的核心优势在于能够实现真正的”内存内计算”，避免了传统架构中数据在内存与CPU之间反复传输的能耗损耗。
这种新型架构的应用前景十分广阔。普渡大学合著者兼研究员坦维·夏尔马表示：”要将人工智能技术从数据中心成功拓展到现实应用场景，必须实现能耗的大幅降低。”通过将计算与内存整合，人工智能系统有望小型化、低成本化，并具备更长的电池续航能力。这意味着医疗设备将更加便携高效，交通运输系统将实现更智能的实时决策，无人机等设备的运行也将更加灵活可靠，为各行各业带来颠覆性的技术革新
