研究人員正在研究特定昆蟲神經系統的功能如何與確定性、概率、易失性和非易失性記憶的功能相似，并探索如何在高性能、節能、硅基納米人工智能系統中重現這些功能。

在 AI/ML 世界的某個角落，NVIDIA 盡最大努力說服任何想涉足訓練的人相信更多的原始力量就是答案。另一方面，CEA-Leti 最近宣布，Edge AI 項目協調員 Elisa Vianello 從歐洲研究委員會 (ERC) 獲得了 300 萬歐元的資助，用于開發受昆蟲神經系統啟發的新邊緣 AI 系統。

根據 Vianello 的說法，將人工智能直接引入物聯網設備的最大挑戰之一是，目前的芯片架構浪費了高達 90% 的移動數據而不是處理數據的總能耗。

由于這種浪費，物聯網設備的 AI 功能要么受到阻礙，要么必須物理連接到穩定的電源，這意味著它們不像許多組織所希望的那樣靈活。對于一個提議的應用，即植入式醫療診斷微芯片來說，情況是雙重的，這將在很大程度上依賴于用戶對設備可靠性的信任。

小型設備有什么問題?沒有一種內存是高密度、高分辨率、非易失性和無限持久的。 Vianello表示，許多工業實驗室和研究中心已經嘗試開發納米級的內存架構，這些架構使用內存處理，但結果好壞參半。例如，DRAM 是易失性的，這意味著它的內容會在斷電時被刪除——這在許多物聯網環境中都可能發生。多年來，NVRAM 等非易失性存儲器類型顯著提高了耐用性;他們仍然不是完全可靠的。

Vianello 和她的團隊將利用贈款資金研究特定昆蟲神經系統的功能如何類似于確定性、概率性、易失性和非易失性記憶所執行的功能，然后探索如何在“高性能、能量-高效的硅基納米系統。” Vianello 說：“蟋蟀會根據遲緩、不精確和不可靠的神經元和突觸做出準確的決定，以逃避捕食者。仔細觀察它們的生物學，我們發現了在它們的感覺和神經系統中發揮作用的多種類似記憶的功能。通過結合這些不同的功能，蟋蟀的內部計算系統實現了驚人的性能和能源效率。”

例如，蟋蟀身體上有多個傳感器，腹部有許多本地處理單元，能夠在不涉及中央大腦的情況下持續學習和決策。因為它有一個分布式計算系統，它可以更快地做出決策——無需在處理數據之前將數據從一個地方傳輸到另一個地方。

目標是一種混合突觸，可以在一個小型的、物聯網友好的規模上集成多個內存技術，這將有助于解決每個系統的缺陷，并消除至少一些在傳輸數據而不是使用人工智能處理數據時浪費的能量/ML 算法。 Vianello 的團隊希望獲取少量嘈雜的數據，例如攝像機、雷達或 ECG 設備捕獲的數據，并實現使用當前物聯網計算架構無法實現的學習類型。

由 Vianello 團隊的任何新見解驅動的新產品可能需要很多年的時間，并且在瞬息萬變的物聯網世界中歡迎新的范式。隨著 46% 的組織加快采用 5G、多種可行的邊緣計算標準以及更多事件驅動的架構部署在邊緣，對更快、更高效和更微型物聯網的需求已經出現。