AI算力的未来解决方案：AI生物处理器 FinalSpark

背景

随着科技的飞速发展，近年来人工智能（AI）的崛起已使其成为我们生活中不可或缺的一部分。从智能手机、自动驾驶汽车，到医疗诊断和金融市场预测，AI的应用无处不在。然而，这种发展并非没有代价。AI的进步对能源的需求和算力的要求正在迅速增长，这促使我们不得不思考AI算力的未来发展方向。为了应对这一挑战，科学家们正在积极探索新的计算范式，例如备受关注的AI生物处理器，它有望以更低的能耗和更高的效率来支撑AI的持续发展，为未来AI算力提供新的解决方案。

首先，AI模型的训练和运行需要大量的计算资源。这些模型通常在高性能计算机或云服务器上运行，这些设备需要大量的电力来运行。据估计，训练一个复杂的AI模型可能需要与五辆汽车全寿命期间产生的二氧化碳排放量相当的能源。

其次，随着AI模型变得越来越复杂，对算力的需求也在不断增加。例如，深度学习模型需要大量的计算能力来处理数以百万计的神经元和参数。这对硬件设备，如GPU和TPU等专门的AI处理器，提出了更高的要求。

然而，我们不能忽视这种发展对环境的影响。随着数据中心的增多，电力消耗和二氧化碳排放问题将变得越来越严重。因此，我们需要寻找更加环保、能效更高的计算解决方案，以支持AI的持续发展，同时减少对环境的影响。这就是FinalSpark项目的使命，他们正在探索使用活神经元作为计算单元的可能性，以实现更高效、更环保的AI计算。

公司历史

FinalSpark的历史始于2014年，由Martin Kutter博士和Fred Jordan博士在沃韦创立，目标是构建一台“思考机器”。经过几年的研究，并尝试了所有可能的传统计算机硬件算法后，创始人得出结论，改进AI的解决方案是…构建另一种硬件。由于已知最好的信息处理器是人类神经元，他们开始使用从人类皮肤衍生的活神经元来构建计算机。这导致了在沃韦建立FinalSpark实验室。
到2023年，FinalSpark实验室容纳了数千个神经元，这些神经元连接到许多电线并用于计算。来自世界各地的科学家们尝试对它们进行编程。一些最聪明的头脑接受了挑战，试图通过电线教会人类神经元准确处理我们想要的信息。如果这个目标实现了，生物计算机取代硅基计算机的道路将会打开。

团队和关键事实

FinalSpark的团队由6名团队成员和3名顾问组成，他们在过去的9年里收集了20TB的数据，投资了100万瑞士法郎，测试了约1000万个神经元，并拥有3项专利。

创始人和此项目

Fred Jordan博士和Martin Kutter博士在完成了洛桑联邦理工学院（EPFL）应用数学博士学位后，开始了他们的技术创业之旅。这项工作为他们的第一个成功创业公司AlpVision提供了灵感，在那里他们克服了工程挑战，并创造了一种创新的产品认证解决方案。该公司变得非常盈利，并且至今仍由他们成功运营。
这使他们面临一个新的、更大的挑战，即解决通用人工智能的问题。创造一台“思考机器”是许多工程师的梦想。一台能够像人类一样推理的机器被许多人认为是工程领域的巅峰成就。尽管我们目前看到的AI模型给人一种能够思考的印象，因为它们通过高级统计方法成功地“伪装”了人类思维，但这与能够在自身经验之外创造新想法和概念的人类推理无关。这才是“真正的”思考机器应该做的事情。
Fred和Martin决定通过测试最先进的AI模型方法来解决这个问题，例如硅内尖峰神经网络、遗传编程和多种版本的硅内神经网络。跨学科思维和探索未知领域的兴趣促使Fred和Martin开始研究作为计算单元的活神经元。他们建立了FinalSpark实验室，目前正在进行基础研究，主要问题是：如何使活神经元执行预期的计算？如何通过电线向活神经元发送指令并接收结果——就像我们通过键盘输入指令并从硅内计算机屏幕上接收答案一样。

基于生物的解决方案

在过去的30年里，我们看到从人工工程到生物工程的有趣转变，例子如下：

人工心脏曾被认为是未来。今天，心脏的替代更可能来自猪的移植或类器官培养，而不是电机机械系统。电影也从“六百万美元的人”或“机械战警”中植入人工系统转变为基于活体的“碳变”。
纳米机器曾被认为是治愈疾病的未来。今天，免疫疗法和个性化医学基于改良的活细胞，而不是人工纳米机器。
数字格式的数据存储已被证明是有效的，但有些人认为DNA数据存储在未来可能会超越它。
制药行业过去依赖于通过化学反应生产分子。然而，现在大多数新药都是在生物反应器中开发的。《福布斯》最近在一篇分析合成生物学前景的文章中提到了这种转变。

观察这一趋势，可以想象生物神经网络也可以取代人工神经网络，用于许多计算应用，包括人工智能。一些人已经认识到这种范式转变。例如，2023年2月，《金融时报》发表了一篇题为“科学家利用人类脑细胞瞄准‘生物计算’突破”的文章，最近《科学》杂志《前沿》开设了一个新的研究主题，题为“生物与数字的交集：合成生物智能与类器官智能”。

对能源消耗的影响

当今技术进步的一个权衡是处理数字信息所需的巨大能源成本。目前，许多努力都在通过为现有高能耗设备创建新硬件来限制各个行业的能源消耗和二氧化碳排放。一个很好的例子是电动汽车的工作。然而，媒体报道并不总是关注正确的问题。在这种情况下，我们并不总是关注“真正的”最大二氧化碳排放者，而是关注更接近我们日常生活且更容易理解的小案例，如汽车、飞机航班、家用设备——这些案例易于理解，但不一定是全球高二氧化碳排放的最大原因。

在数字硬件上训练的AI模型需要大量能源，因此可能成为重要的二氧化碳排放者——我们已经看到，使用当前的数字技术构建一个模型可以产生相当于五辆汽车生命周期的二氧化碳。AI目前不是各行业中二氧化碳排放的最大贡献者，但考虑到大型AI模型的繁荣——这些模型基于处理大量数据，我们可以预期数据中心的二氧化碳排放问题将迅速增加。