通过改变计算的基本属性，美国普林斯顿大学研究人员日前打造的一款专注于人工智能系统的新型计算机芯片，可在极大提高性能的同时减少能耗需求。

　　该芯片基于内存计算技术，旨在克服处理器需要花费大量时间和能量从内存中获取数据的主要瓶颈，通过直接在内存中执行计算，提高速度和效率。芯片采用了标准编程语言，在依赖高性能计算且电池寿命有限的手机、手表或其他设备上特别有用。

　　研究人员表示，对于许多应用而言，芯片的节能与性能提升同样重要，因为许多人工智能应用程序将在由移动电话或可穿戴医疗传感器等电池驱动的设备上运行。这也是对可编程性的需求所在。

　　经典计算机体系结构将处理数据的中央处理器与存储数据的内存分离，很多计算机的能耗用于来回转移数据。新芯片考虑在架构级别而不是晶体管级别来突破摩尔定律的局限。但创建这样一个系统面临的挑战是，内存电路要设计得尽可能密集，以便打包大量数据。

　　研究团队使用电容器来解决上述问题，电容器可比晶体管在更密集的空间内进行计算，还可非常精确地制作在芯片上。新设计将电容器与芯片上的静态随机存取存储器（SRAM）的传统单元配对。电容器和SRAM的组合用于对模拟（非数字）域中的数据进行计算。这种内存电路可按照芯片中央处理单元的指令执行计算。

　　实验室测试表明，该芯片的性能比同类芯片快几十到几百倍。研究人员称，其已将内存电路集成到可编程处理器架构中。“如果以前的芯片是强大的引擎，新芯片就是整车。”

　　普林斯顿大学研制的新芯片主要用于支持为深度学习推理算法设计的系统，这些算法允许计算机通过学习数据集来制定决策和执行复杂的任务。深度学习系统可指导自动驾驶汽车、面部识别系统和医疗诊断软件。