找到AI电力难题解法……KIST开发低功耗神经形态AI学习技术[读懂科学]
类脑脉冲神经网络性能提升至全球最高水平
掌握AI半导体核心基础技术……获全球顶级AI学会ICML接收
随着生成式人工智能(AI)的普及,数据中心巨大的电力消耗成为新的社会问题。韩国研究团队开发出一项核心学习技术,可显著提升类似人脑、以低功耗运行的下一代人工智能性能。这项技术被评价为有望加快低功耗AI半导体商业化的基础技术。
韩国科学技术研究院(KIST)23日表示,半导体技术研究组资深研究员Park Seongsik团队开发出一种名为“A²SG(自适应与非对称替代梯度)”的新型学习方法,可大幅提升作为神经形态人工智能核心的脉冲神经网络学习性能。
该研究成果被国际机器学习大会(ICML)2026接收为正式论文。该会议是全球三大人工智能学术会议之一。
脉冲神经网络以类似人脑的方式运行,仅在必要时传递电信号,因此可较传统深度学习大幅降低功耗。但其学习效率较低,难以达到应用于ChatGPT等生成式AI的深度神经网络(DNN)水平。
提升AI性能并减少计算量
研究团队开发的A²SG,结合了让人工智能在学习过程中自行调整学习方向的自适应方法,以及反映真实脑神经细胞特征的非对称方法,从而显著提高了现有脉冲神经网络的学习效率。
研究团队介绍称,将A²SG应用于基于Transformer、采用ChatGPT核心架构的大型脉冲神经网络后,在图像识别领域代表性评测ImageNet上实现了世界领先水平的准确率。
该技术不仅提升了性能,也提高了效率。与谷歌具有代表性的脉冲神经网络学习方法相比,其额外计算量仅约为六分之一,但准确率更高。在从小型到大型模型的多种神经网络架构中,该方法均展现出一致的性能提升,验证了其通用性。
在ICML 2026发布研究成果的KIST Park Seongsik博士研究团队。(从左起)资深研究员Park Seongsik(通讯作者)、硕士研究生Kang Yechan(第一作者)、硕士研究生Park Sohee(共同作者)在首尔COEX举行的ICML 2026海报展示现场合影留念。KIST供图
View original image此次成果的意义还在于,在长期由全球大型科技企业和海外大学主导的神经形态AI学习算法领域,韩国研究团队获得了自主的基础技术。
研究团队预计,该技术无需改变现有硬件,仅通过软件即可应用,因此将在智能手机、可穿戴设备、无人机以及持续运行的智能传感器等重视低功耗的端侧AI领域得到广泛应用。未来,团队计划将其与KIST正在开发的下一代AI半导体“随机处理单元(RPU)”结合,推进低功耗AI半导体的商业化。
KIST资深研究员Park Seongsik表示:“我们解决了阻碍神经形态人工智能性能提升的学习结构性难题,提高了低功耗AI的实用化可能性。未来将进一步开发可在下一代AI半导体上运行的人工智能模型,为开启低功耗AI时代作出贡献。”
版权所有 © 阿视亚经济。未经许可不得转载,禁止用于AI训练及使用。