人工智能（AI）已經(jīng)融入我們的日常生活：AI給我們推薦音樂(lè)、翻譯語(yǔ)言，甚至輔導(dǎo)作業(yè)。然而科學(xué)家希望AI 承擔(dān)更有難度的任務(wù)，比如引導(dǎo)自動(dòng)駕駛汽車，協(xié)助醫(yī)生分析醫(yī)學(xué)影像，在危險(xiǎn)環(huán)境中操控救援無(wú)人機(jī)。問(wèn)題在于，現(xiàn)有的計(jì)算機(jī)并不是為持續(xù)學(xué)習(xí)和快速?zèng)Q策而設(shè)計(jì)的。它們會(huì)遇到“內(nèi)存墻”問(wèn)題，也就是計(jì)算機(jī)在搬運(yùn)數(shù)據(jù)而非處理數(shù)據(jù)上浪費(fèi)時(shí)間和能量，導(dǎo)致速度下降。

為了突破這一瓶頸，研究人員把目光投向人腦尋找靈感。人腦中的神經(jīng)元既能處理信息，又能在網(wǎng)絡(luò)中彼此連接、不斷學(xué)習(xí)，還會(huì)通過(guò)短促的電脈沖傳遞信號(hào)以節(jié)省能量。新一代計(jì)算機(jī)芯片正通過(guò)模仿這些機(jī)制，讓AI更快、更高效。這些進(jìn)展有望大幅降低計(jì)算機(jī)的能耗，為更快速、更環(huán)保的技術(shù)鋪平道路。

AI 需要更快速、更聰明的計(jì)算機(jī)

短短幾十年前，人工智能（AI）只存在于科幻電影里——駕駛宇宙飛船，或者操控一臺(tái)忠誠(chéng)的機(jī)器人伙伴。而現(xiàn)在，我們可能都沒(méi)有意識(shí)到，我們每天都在和 AI 打交道。比如YouTube 和Spotify會(huì)根據(jù)你之前的選擇，推薦你可能感興趣的視頻和歌曲；谷歌翻譯用它翻譯各種語(yǔ)言；而像 ChatGPT 這樣的智能平臺(tái)，更是可以回答問(wèn)題、創(chuàng)作圖像、寫故事，甚至幫忙做作業(yè)。

AI工具展現(xiàn)出的種種令人驚嘆的能力，都需要強(qiáng)大的計(jì)算能力作為支撐。研究人員正在努力開發(fā)AI的更多功能，比如讓自動(dòng)駕駛汽車穿過(guò)繁忙的街道、輔助醫(yī)生用醫(yī)學(xué)影像精準(zhǔn)診斷疾病，或在自然災(zāi)害后操控救援無(wú)人機(jī)。這類場(chǎng)景要求 AI 系統(tǒng)在瞬間完成“感知—規(guī)劃—行動(dòng)”，根本沒(méi)有時(shí)間等待電腦慢慢反應(yīng)。然而，現(xiàn)在的許多計(jì)算機(jī)主要是為日常工作設(shè)計(jì)的：比如運(yùn)行各種應(yīng)用、看視頻、寫文檔、上網(wǎng)瀏覽、做表格等，不用達(dá)到AI 所需的那種極高算力。AI需要一邊高速、持續(xù)地處理海量數(shù)據(jù)，一邊進(jìn)行學(xué)習(xí)和實(shí)時(shí)決策。AI 在高風(fēng)險(xiǎn)場(chǎng)景中所需的高能耗，與當(dāng)前計(jì)算機(jī)能耗有限的供需錯(cuò)位，正是當(dāng)今科學(xué)家和工程師面臨的重大挑戰(zhàn)之一 [1]。

為什么現(xiàn)在的計(jì)算機(jī)對(duì) AI 來(lái)說(shuō)“太慢了”？

要理解這個(gè)問(wèn)題，不妨先來(lái)看看計(jì)算機(jī)的基本結(jié)構(gòu)。每一臺(tái)計(jì)算機(jī)都有兩個(gè)核心部分：硬件和軟件。硬件是實(shí)體物理部件，比如芯片、電路和導(dǎo)線；軟件則是一套指令系統(tǒng)，無(wú)論是運(yùn)行游戲、編輯照片，還是發(fā)送一條短信，都是軟件在告訴硬件什么時(shí)候做什么事。提到 AI，人們總是聚焦在軟件上——比如語(yǔ)言翻譯、圖像識(shí)別等程序。但軟件受限于硬件，因?yàn)?strong>真正決定計(jì)算能力上限的，是計(jì)算機(jī)內(nèi)部的物理芯片和電路本身。

為什么硬件會(huì)抑制速度呢？典型的計(jì)算機(jī)硬件有兩個(gè)核心部件：一個(gè)負(fù)責(zé)存儲(chǔ)信息，稱為內(nèi)存；另一個(gè)負(fù)責(zé)執(zhí)行計(jì)算指令，稱為處理器。每當(dāng)處理器需要某條信息時(shí)，都必須先從內(nèi)存中取出來(lái)，才能進(jìn)行處理（見圖1-A）。你可以把這個(gè)過(guò)程想象成這樣：你在數(shù)學(xué)教室做作業(yè)，計(jì)算器就在你桌子上，但計(jì)算所需的數(shù)據(jù)卻放在走廊另一頭的圖書館里。每次要用數(shù)字，你都得停下手頭的工作，跑到圖書館把數(shù)據(jù)拿回來(lái)。來(lái)回奔波中速度被拖慢，還消耗了大量能量（見圖1-B）。

▲圖 1 - (A) 計(jì)算機(jī)硬件主要由兩個(gè)核心部分組成：負(fù)責(zé)存儲(chǔ)信息的內(nèi)存和負(fù)責(zé)執(zhí)行計(jì)算任務(wù)的處理器。傳統(tǒng)計(jì)算機(jī)中，每當(dāng)處理器執(zhí)行指令時(shí)，都必須先從內(nèi)存中調(diào)取所需數(shù)據(jù)。這種頻繁的數(shù)據(jù)往返被稱為“內(nèi)存墻問(wèn)題”，它會(huì)嚴(yán)重拖延傳統(tǒng)計(jì)算機(jī)使用AI系統(tǒng)時(shí)的速度。（B）可以這樣理解“內(nèi)存墻”：好比你在課桌前做數(shù)學(xué)作業(yè)，但每當(dāng)需要一個(gè)數(shù)據(jù)時(shí)，都必須跑到走廊另一頭的圖書館去取。不僅效率低下，還消耗大量體力。

大多日常計(jì)算機(jī)執(zhí)行一次任務(wù)只需要處理少量數(shù)據(jù)，而人工智能對(duì)硬件提出了更高的要求。AI系統(tǒng)包含數(shù)百萬(wàn)甚至數(shù)十億條信息，這些信息必須被反復(fù)檢查，以識(shí)別模式或做出決策。數(shù)據(jù)在內(nèi)存與處理器之間不斷往返，導(dǎo)致計(jì)算機(jī)內(nèi)部大大減速。研究人員將這種現(xiàn)象稱為“內(nèi)存墻問(wèn)題”（memory wall problem）[2]。即使處理器已經(jīng)準(zhǔn)備好開始運(yùn)算，它的大部分時(shí)間卻花在等待數(shù)據(jù)上，導(dǎo)致能源浪費(fèi)，性能下降——這兩點(diǎn)都是AI無(wú)法承受的，AI需要在現(xiàn)實(shí)世界中迅速反應(yīng)。另一個(gè)重要因素是每條信息在存儲(chǔ)時(shí)所占用的內(nèi)存大小。計(jì)算機(jī)通常為每一條信息分配等量的數(shù)字存儲(chǔ)空間，就像不管物品大小，都給每個(gè)人發(fā)一個(gè)同樣大的箱子。這浪費(fèi)了內(nèi)存資源，也拖延了AI的運(yùn)行速度。

向大腦學(xué)習(xí)

在計(jì)算能力和內(nèi)存管理方面，人腦的效率遠(yuǎn)遠(yuǎn)超過(guò)我們當(dāng)下制造的任何計(jì)算機(jī)。為了克服“內(nèi)存墻問(wèn)題”，科學(xué)家們正在從人腦中汲取靈感。被稱為神經(jīng)元（neurons）的腦細(xì)胞在處理外界和身體信號(hào)方面尤為重要——例如視覺(jué)、聽覺(jué)、觸覺(jué)、運(yùn)動(dòng)，甚至記憶。神經(jīng)元之所以不同于傳統(tǒng)處理器，主要體現(xiàn)在三個(gè)重要特征上。

首先，神經(jīng)元既能存儲(chǔ)信息，也能處理信息。每個(gè)神經(jīng)元都會(huì)從其他神經(jīng)元接收微小的電信號(hào)或化學(xué)信號(hào)。它會(huì)把所有輸入的信號(hào)進(jìn)行累加，判斷信號(hào)是否足夠強(qiáng)以繼續(xù)傳遞，如果夠強(qiáng)，就會(huì)向其他神經(jīng)元發(fā)送自己的信號(hào)。神經(jīng)元還通過(guò)增強(qiáng)或減弱與其他神經(jīng)元之間的連接來(lái)儲(chǔ)存信息，這些連接被稱為突觸（synapses）。這意味著，一個(gè)神經(jīng)元既可以處理信號(hào)，又可以存儲(chǔ)記憶，而無(wú)需像傳統(tǒng)計(jì)算機(jī)硬件那樣不斷地來(lái)回移動(dòng)數(shù)據(jù)。這種高效的數(shù)據(jù)展示和處理方式節(jié)省了內(nèi)存，也加快了信息傳輸速度。

其次，神經(jīng)元形成的靈活網(wǎng)絡(luò)既能變化又能學(xué)習(xí)（見圖2-A）。大腦的強(qiáng)大之處在于數(shù)十億個(gè)神經(jīng)元協(xié)同工作。單個(gè)神經(jīng)元做不了太多任務(wù)，但龐大的神經(jīng)網(wǎng)絡(luò)卻可以識(shí)別朋友的面孔、理解語(yǔ)言，或者規(guī)劃一個(gè)動(dòng)作。隨著神經(jīng)元之間的連接不斷增強(qiáng)或減弱，這些網(wǎng)絡(luò)也在持續(xù)變化，這正是大腦從經(jīng)驗(yàn)中學(xué)習(xí)的方式。相比之下，傳統(tǒng)計(jì)算機(jī)電路無(wú)法自行改變其連接方式。

第三，神經(jīng)元只在需要時(shí)才發(fā)送信號(hào)。神經(jīng)元不像當(dāng)今的計(jì)算機(jī)芯片那樣持續(xù)不斷地傳輸信息，而只在有重要信息需要傳遞時(shí)，進(jìn)行短暫的電活動(dòng)陣發(fā)，稱之為“脈沖”（spikes）——就像一個(gè)簡(jiǎn)短的提示音在說(shuō)“注意！”。這種“走走停?！钡耐ㄐ欧绞皆诒ＷC大腦能夠迅速對(duì)外界做出反應(yīng)的同時(shí)，節(jié)省了大量能量。當(dāng)計(jì)算機(jī)科學(xué)家嘗試在機(jī)器中復(fù)制這種機(jī)制時(shí)，他們將這一理念稱為“基于脈沖的計(jì)算”。

▲圖2-（A）大腦中的神經(jīng)元被組織成網(wǎng)絡(luò)，這些網(wǎng)絡(luò)可以根據(jù)彼此之間連接的強(qiáng)度，同時(shí)存儲(chǔ)和處理信息。神經(jīng)元之間的連接在數(shù)量和強(qiáng)度上都可以發(fā)生變化，這正是大腦從經(jīng)驗(yàn)中學(xué)習(xí)的方式。神經(jīng)元還會(huì)在必要時(shí)才發(fā)送“脈沖”信號(hào)進(jìn)行通信，從而節(jié)省能量。（B）為了克服“存儲(chǔ)墻”問(wèn)題，使AI系統(tǒng)運(yùn)行得更快、更高效，工程師們正在嘗試設(shè)計(jì)更快速的計(jì)算機(jī)硬件，稱為類腦芯片。這些芯片由相互連接的單元組成，結(jié)合了存儲(chǔ)與處理功能，具有類似大腦的靈活連接方式，并采用基于脈沖的計(jì)算方式。

綜合來(lái)看，這三個(gè)特性使大腦既強(qiáng)大又高效節(jié)能。工程師希望通過(guò)借鑒其中的一些策略，能夠設(shè)計(jì)出執(zhí)行AI任務(wù)時(shí)速度更快、能耗更低的計(jì)算機(jī)硬件。同時(shí)，計(jì)算機(jī)科學(xué)家和軟件工程師也需要開發(fā)新的軟件，以配合新的硬件解決方案，充分發(fā)揮其潛力。

腦啟發(fā)計(jì)算：打造更智能的硬件

邁向腦啟發(fā)計(jì)算的一步是“存內(nèi)計(jì)算”（compute-in-memory，CiM）。CiM 是一種新興技術(shù)，其靈感來(lái)源于大腦神經(jīng)元的第一個(gè)關(guān)鍵特征：在同一物理硬件中結(jié)合存儲(chǔ)與處理功能 [3, 4]。不同于目前芯片將存儲(chǔ)與計(jì)算分開的設(shè)計(jì)，基于 CiM 的芯片被設(shè)計(jì)為可以在存儲(chǔ)器內(nèi)部——也就是數(shù)據(jù)存放的位置——直接執(zhí)行加法或乘法等簡(jiǎn)單計(jì)算，十分類似神經(jīng)元既保存信息又處理信號(hào)的方式。在之前關(guān)于數(shù)學(xué)作業(yè)的比喻中，CiM 就像是把計(jì)算器搬進(jìn)圖書館，這樣你就可以在查閱資料的同時(shí)完成計(jì)算，而不必不停地來(lái)回奔跑。通過(guò)減少額外的數(shù)據(jù)傳輸，CiM 芯片有望讓AI系統(tǒng)運(yùn)行得更快、更高效。

類腦芯片（neuromorphic chips）在此基礎(chǔ)上更進(jìn)一步 [5]。“Neuromorphic”一詞的意思是“形似大腦”，這類芯片由大量微小單元構(gòu)成，這些單元就像大腦中神經(jīng)元和突觸的簡(jiǎn)化版本（圖2-B）。每個(gè)單元都可以發(fā)送和接收信號(hào)，調(diào)節(jié)與其他單元之間連接的強(qiáng)度，并且只在有新信息到達(dá)時(shí)才通過(guò)短暫的活動(dòng)陣發(fā)（脈沖）進(jìn)行通信——類似于腦細(xì)胞的工作方式。將成千上萬(wàn)甚至數(shù)百萬(wàn)個(gè)這樣的單元連接起來(lái)，就可以形成一個(gè)能夠從模式中學(xué)習(xí)并適應(yīng)新情況的網(wǎng)絡(luò)。研究人員還在開發(fā)脈沖神經(jīng)網(wǎng)絡(luò)（spiking neural networks，SNNs），這是一類專門與上述硬件相匹配而構(gòu)建的AI程序（軟件）[6, 7]。與使用持續(xù)信號(hào)處理信息的傳統(tǒng)計(jì)算方式不同，SNNs 被設(shè)計(jì)為以“脈沖”的形式工作。對(duì)硬件和軟件進(jìn)行同步優(yōu)化，能夠?qū)崟r(shí)解決問(wèn)題，例如在圖像、語(yǔ)音或動(dòng)作發(fā)生的同時(shí)進(jìn)行識(shí)別——而所消耗的能量遠(yuǎn)低于當(dāng)今的芯片。

這些受大腦啟發(fā)的芯片還采用了一種叫做“量化（quantization）”的技術(shù)。量化通過(guò)將數(shù)據(jù)存儲(chǔ)為更簡(jiǎn)單、更小的單元，使計(jì)算機(jī)在不丟細(xì)節(jié)的情況下運(yùn)行得更快。量化能夠降低內(nèi)存需求，并在僅損失少量精確度的前提下加快處理速度。綜合來(lái)看，存內(nèi)計(jì)算、類腦設(shè)計(jì)以及量化技術(shù)共同推動(dòng)更智能硬件的誕生，使其運(yùn)行更快、更高效——和人類大腦非常相似。

存內(nèi)計(jì)算（CiM）和類腦芯片目前都仍處于研究階段。CiM 可能更接近實(shí)際應(yīng)用，而類腦芯片則代表著一個(gè)更長(zhǎng)期的目標(biāo)——未來(lái)有望實(shí)現(xiàn)類似大腦的計(jì)算方式。但它們都表明，通過(guò)借鑒生物學(xué)原理，我們有望設(shè)計(jì)出能支持更強(qiáng)大AI的計(jì)算機(jī)。訓(xùn)練目前最先進(jìn)的AI系統(tǒng)所消耗的電力，相當(dāng)于數(shù)百個(gè)家庭一整年的用電量，而這還不包括全球各地?cái)?shù)據(jù)中心已經(jīng)消耗的大量能源。減少能源需求將使AI更加實(shí)用，同時(shí)降低它對(duì)全球氣候的負(fù)面影響。研究人員將這些進(jìn)展視為邁向“融合平臺(tái)”（converged platform）的階梯。融合平臺(tái)是一種被設(shè)計(jì)為既能運(yùn)行當(dāng)今數(shù)據(jù)饑渴型AI系統(tǒng)，又能支持未來(lái)類腦AI程序的單一類型計(jì)算機(jī)硬件。

更智能的硬件：未來(lái)的實(shí)際應(yīng)用

想象一架救援無(wú)人機(jī)在地震后飛入一棟坍塌的建筑物——每一秒都至關(guān)重要。無(wú)人機(jī)上搭載的AI系統(tǒng)可能經(jīng)過(guò)訓(xùn)練，能夠飛入危險(xiǎn)或狹小的空間，為救援人員繪制安全路線，甚至通過(guò)掃描熱量或聲音來(lái)定位被困的幸存者 [8]。為了完成這些任務(wù)，AI必須處理來(lái)自攝像頭和傳感器的信息，判斷前進(jìn)方向，并在沒(méi)有延遲的情況下持續(xù)飛行（圖3）。如果其計(jì)算機(jī)因?yàn)椤按鎯?chǔ)墻”造成的數(shù)據(jù)擁堵而耗時(shí)過(guò)多，無(wú)人機(jī)可能會(huì)撞上廢墟、忽視幸存者的跡象，或在分秒必爭(zhēng)的時(shí)刻無(wú)法為救援人員提供指引。

▲圖3 一架由人工智能驅(qū)動(dòng)的救援無(wú)人機(jī)必須以極快的速度處理來(lái)自傳感器的信息，這樣才能在分秒必爭(zhēng)的情況下，在危險(xiǎn)環(huán)境（如坍塌的建筑物）中精確移動(dòng)。

像存內(nèi)計(jì)算（CiM）和類腦芯片這樣的新型硬件理念，再結(jié)合脈沖神經(jīng)網(wǎng)絡(luò)等類腦軟件，讓完成這類生死攸關(guān)的任務(wù)成為可能，且不僅適用無(wú)人機(jī)，也適用于其他許多場(chǎng)景。手機(jī)和筆記本電腦可以運(yùn)行高級(jí)AI應(yīng)用，卻不耗電、不發(fā)燙；自動(dòng)駕駛汽車能夠?qū)Φ缆飞系奈ｋU(xiǎn)作出即時(shí)反應(yīng)；醫(yī)療設(shè)備可以實(shí)時(shí)處理來(lái)自人體的信號(hào)，幫助醫(yī)生迅速發(fā)現(xiàn)問(wèn)題。而為全球大量計(jì)算任務(wù)提供支持的大型數(shù)據(jù)中心，也能以更低的能耗運(yùn)行。盡管這些設(shè)計(jì)主要是為支持AI而開發(fā)的，但它們也會(huì)讓許多日常計(jì)算任務(wù)更快、更高效。

未來(lái)之路

隨著AI在我們的世界中變得越來(lái)越重要，計(jì)算機(jī)必須能夠準(zhǔn)確、快速地處理信息，同時(shí)避免浪費(fèi)能源。當(dāng)今的硬件受限于“存儲(chǔ)墻”問(wèn)題——數(shù)據(jù)在存儲(chǔ)器與處理器之間來(lái)回傳輸，占用了過(guò)多時(shí)間。為了解決這一問(wèn)題，研究人員正在重新思考計(jì)算機(jī)的構(gòu)建方式。存內(nèi)計(jì)算芯片將數(shù)據(jù)存儲(chǔ)在計(jì)算位置，而類腦系統(tǒng)則借鑒了大腦神經(jīng)元網(wǎng)絡(luò)的工作原理。這兩種方法旨在減少能量浪費(fèi)，并使AI能夠在更高要求的新環(huán)境中運(yùn)行。

這些技術(shù)目前大多仍處于研究階段。科學(xué)家和工程師仍面臨許多挑戰(zhàn)，如確保穩(wěn)定產(chǎn)出，做到足夠小巧便宜，才能應(yīng)用于日常設(shè)備，還要證明它們能夠應(yīng)對(duì)現(xiàn)代計(jì)算的巨大需求。不過(guò)，硬件和軟件領(lǐng)域都在不斷進(jìn)展中。如果研究人員能夠成功，那么限制當(dāng)今計(jì)算機(jī)性能的“存儲(chǔ)墻”會(huì)成為歷史。這就意味著在應(yīng)急響應(yīng)、醫(yī)療以及日常技術(shù)等領(lǐng)域中，AI將更加快速、高效的同時(shí)降低計(jì)算的能源負(fù)擔(dān)，在AI日益融入世界的同時(shí)，幫助保護(hù)地球不斷變化的氣候。

參考資料

[1] Horowitz, M. 2014. “1.1 Computing’s energy problem (and what we can do about it)”, in IEEE International Solid-State Circuits Conference Digest of Technical Papers (ISSCC), (San Francisco, CA: IEEE).

[2] Wulf, W. A., and McKee, S. A. 1995. Hitting the memory wall: implications of the obvious. ACM SIGARCH Comput Archit News. 23:10–20. doi: 10.1145/216585.21658

[3] Chang, M., Lele, A. S., Spetalnick, S. D., Crafton, B., Konno, S., and Wan, Z. 2023. “A 73.53 TOPS/W 14.74 TOPS heterogeneous RRAM in-memory and SRAM near-memory SoC for hybrid frame and event-based target tracking”, in IEEE International Solid-State Circuits Conference (ISSCC), (San Francisco, CA: IEEE), 426–8.

[4] Agrawal, A., Ali, M., Koo, M., Rathi, N., Jaiswal, A., and Roy, K. 2021. IMPULSE: a 65-nm digital compute-in-memory macro with fused weights and membrane potential for spike-based sequential learning tasks. IEEE Solid State Circuits Lett. 4:137–40. doi: 10.1109/LSSC.2021.3092727

[5] Davies, M., Srinivasa, N., Lin, T.-H., Chinya, G., Cao, Y., Choday, S. H., et al. 2018. Loihi: a neuromorphic manycore processor with on-chip learning. IEEE Micro 38:82–99. doi: 10.1109/MM.2018.112130359

[6] Roy, K., Jaiswal, A., and Panda, P. 2019. Towards spike-based machine intelligence with neuromorphic computing. Nature 575:607–17. doi: 10.1038/s41586-019-1677-2

[7] Kosta, A. K., and Roy, K. 2023. “Adaptive-spikenet: event-based optical flow estimation using spiking neural networks with learnable neuronal dynamics”, in IEEE International Conference on Robotics and Automation (ICRA), (London, United Kingdom: IEEE).

[8] Wan, Z., Qian, J., Du, Y., Jabbour, J., Du, Y., Zhao, Y., et al. 2025. Generative AI in Embodied Systems: System-Level Analysis of Performance, Efficiency and Scalability. 26–37. doi: 10.1109/ISPASS64960.2025.00013

作者

Kaushik Roy

Kaushik Roy 是美國(guó)印第安納州普渡大學(xué)（Purdue University）愛(ài)德華·G·蒂德曼 (Edward G. Tiedemann, Jr.) 杰出教授，取得了伊利諾伊大學(xué)厄巴納-香檳分校（University of Illinois at Urbana-Champaign）的博士學(xué)位。他的研究包括 AI 算法、AI 硬件、神經(jīng)形態(tài)計(jì)算、神經(jīng)仿生器件，以及系統(tǒng)與技術(shù)的協(xié)同設(shè)計(jì)。Roy 博士曾獲得美國(guó)國(guó)家科學(xué)基金會(huì)職業(yè)獎(jiǎng)、IBM 教師合作獎(jiǎng)、AT&T-朗訊（ATT/Lucent）基金會(huì)獎(jiǎng)、SRC（半導(dǎo)體研究協(xié)會(huì)）技術(shù)卓越獎(jiǎng)、發(fā)明家獎(jiǎng)、普渡大學(xué)工程學(xué)院研究卓越獎(jiǎng)、杰出導(dǎo)師獎(jiǎng)、洪堡研究獎(jiǎng)、IEEE 電路與系統(tǒng)學(xué)會(huì)查爾斯·德蘇爾（Charles Desoer）獎(jiǎng)、IEEE TCVLSI 杰出研究獎(jiǎng)、印度理工學(xué)院克勒格布爾分校（Indian Institute of Technology Kharagpur）杰出校友獎(jiǎng)、富布賴特-尼赫魯杰出主席（Fulbright-Nehru Distinguished Chair）、美國(guó)國(guó)防部萬(wàn)尼瓦爾·布什學(xué)者（DoD Vannevar Bush Faculty）、SRC亞里士多德獎(jiǎng)（SRC Aristotle Award）、普渡大學(xué)阿登·L·貝門特獎(jiǎng)（Arden L. Bement Jr. Award）、2022 年 SRC 創(chuàng)新獎(jiǎng)，以及奧胡斯大學(xué)榮譽(yù)博士學(xué)位。工作之余，他喜歡讀書、喝咖啡、打羽毛球和探索美食。kaushik@purdue.edu

Adarsh Kumar Kosta

Adarsh Kosta 目前是普渡大學(xué)（Purdue University）埃爾莫爾電氣與計(jì)算機(jī)工程學(xué)院（Elmore School of Electrical and Computer Engineering）的博士生。他的研究興趣包括腦啟發(fā)高效計(jì)算、基于事件視覺(jué)、生成式 AI，以及涉及硬件-軟件協(xié)同設(shè)計(jì)的自主智能機(jī)器人系統(tǒng)的深度學(xué)習(xí)。他獲得了印度理工學(xué)院克勒格布爾分校（IIT Kharagpur）電子與電氣通信工程的雙學(xué)士/碩士學(xué)位。Adarsh 的職業(yè)經(jīng)歷包括在三星 AI 中心紐約實(shí)習(xí)、在英屬哥倫比亞大學(xué) CARIS 實(shí)驗(yàn)室的 MITACS 暑期實(shí)習(xí)，以及在 IBM 印度的 Extreme Blue 實(shí)習(xí)。他還是印度國(guó)家科學(xué)人才促進(jìn)計(jì)劃 Kishore Vaigyanik Protsahan Yojana (KVPY) 學(xué)者。學(xué)術(shù)追求之外，他熱愛(ài)大自然愛(ài)，喜歡在旅行中拍攝精彩的野生動(dòng)物和風(fēng)景。他還定期練習(xí)瑜伽以舒緩壓力和加強(qiáng)正念。

Arijit Raychowdhury

Arijit Raychowdhury 是佐治亞理工學(xué)院電氣與計(jì)算機(jī)工程學(xué)院（Georgia Institute of Technology）的教授及史蒂夫·W·查德威克學(xué)院的（Steve W. Chaddick School）主席。他的研究興趣包括通用計(jì)算和特定領(lǐng)域加速器的節(jié)能硬件設(shè)計(jì)。在進(jìn)入學(xué)術(shù)界之前，他曾在英特爾公司和德州儀器公司擔(dān)任研究員。工作之外，他喜歡閱讀和攝影。

小審讀員

Aria（阿莉亞），13歲

阿莉亞喜歡和她的兩只豚鼠玩，也喜歡在后院喂鳥和松鼠。她給每只松鼠取了獨(dú)特的名字，給它們喂許多花生。他對(duì)科學(xué)充滿好奇，對(duì)自然、動(dòng)物和宇宙有很多疑問(wèn)。她空閑時(shí)喜歡唱歌和畫畫。

Hrdaya（赫德亞），12歲

我特別喜歡讀書，熱衷于給讀過(guò)的書寫書評(píng)。英語(yǔ)和科學(xué)是我最喜歡的科目。在不讀書的時(shí)候，我喜歡下棋。我也很好奇周圍的一切，還很喜歡動(dòng)物，喜歡和我的寵物鳥玩，給它們喂食。

文章來(lái)源

Frontiers for Young Minds官網(wǎng)：

https://kids.frontiersin.org/articles/10.3389/frym.2025.1736588?utm_source=wechat&utm_medium=social

Frontiers for Young Minds 期刊已經(jīng)發(fā)表了近 2000 篇文章，作者來(lái)自 50 余家全球頂級(jí)機(jī)構(gòu)，其中包括 33 名諾貝爾獎(jiǎng)獲得者。文章經(jīng)由來(lái)自全球各地的 1 萬(wàn)余名 8-15 歲的少年審稿人審閱批準(zhǔn)后出版。這些經(jīng)青少年審閱并發(fā)布的文章，收獲了來(lái)自 230 個(gè)國(guó)家/地區(qū)超過(guò) 6000 萬(wàn)次瀏覽。

編譯：程歡