写在前面："养龙虾"狂飙突进，AI 算力遭遇能源焦虑

2026 年开春，一场由开源 AI 智能体 OpenClaw 引爆的"养龙虾"热潮从极客圈急速蔓延至中国的大街小巷。

因其能够"替人干活"——自主操控浏览器、读写文件、管理日程甚至执行跨应用任务——迅速成为全民追逐的

科技新宠。点此可免费阅读&下载原文

而当越来越多用户开始期待 AI 不只会聊天，还能在电脑、手机、无人机或各类终端设备上长期在线、实时响应、

自主执行任务时，然而，一个严峻的现实正在浮现：AI 算力的能源消耗正以前所未有的速度攀升。

据 IDC 预测，到 2030 年，全球活跃 AI 智能体将达 22.16 亿，年度 Token 消耗量将从 2025 年的 0.0005 Peta 

Tokens 飙升至 15.2 万 Peta Tokens，增长超 3 亿倍。英伟达创始人黄仁勋多次警示："电力掐住了 AI 的咽喉"，

马斯克更直言，未来几年全球将面临"有芯片却无法开启"的局面。AI能耗已成为制约技术落地的"阿喀琉斯之踵"。

在这一背景下，来自普渡大学和佐治亚理工学院的研究团在 Frontiers in Science 发表的最新研究，为破解 AI 能

耗困境提供了全新思路。该研究直指传统计算机架构的核心瓶颈——"内存墙"，并提出借鉴人脑高效处理机制的

硬件设计方案，有望在不依赖高能耗云计算的前提下，让 AI 应用真正走出数据中心，融入无人机、医疗设备、

智能终端等现实场景。

原文链接👇

https://www.frontiersin.org/journals/science/articles/10.3389/fsci.2025.1611658/full?utm_source=wechat

&utm_medium=social&utm_content=BTMW&utm_campaign=fscipromochn  

“内存墙”为什么会拖慢 AI，也推高能耗？

传统计算机建立在冯·诺依曼架构之上：处理器负责计算，存储器负责保存数据，二者彼此分离。这样一来，

每当系统需要调用数据时，信息都必须在这两个组件之间来回传输。研究人员指出，这种传输过程即所谓的“内

存墙”（memory wall）——这种数据往返不仅带来延迟，也消耗了大量能量。这正是许多 AI 硬件效率瓶颈的根

源之一。

研究团队认为，如果能够将处理能力直接集成到存储单元内部，或部署在其邻近位置，就有望突破这一瓶颈。

实现这一点后，将可能催生新型算法，使 AI 应用无需过度依赖数据量庞大、能耗高昂的云端计算，也能具备实

际可行性。

随时间演进的人工智能（AI）模型和硬件。随着 AI 工作负载复杂性和需求不断增加，AI 模型也在体积和复杂度

上扩展以维持性能，导致实现高能量和高延迟。

该研究的第一作者、普渡大学电子与计算机工程教授 Kaushik Roy 表示：“在过去四年里，语言处理模型的规模

增长了 5000 倍。如此惊人的扩张速度意味着硬件若继续沿用旧有思路，能耗压力只会进一步上升，我们必须尽

可能提升 AI 的效率。这意味着，我们需要从根本上重新思考计算机的设计方式。”

为什么研究人员开始重新向人脑学习？

避免“内存墙”问题、提升 AI 计算效率的一种途径，是从人脑中获取灵感。当神经元接收到来自其他神经元的

激活信号时，它会累积电荷，即膜电位。如果这个电位达到某个阈值，神经元就会继续发送自己的信号。也就是

说，神经元能够在同一位置同时完成信息的存储与处理，并且只有在状态发生变化时才进行通信。

这一机制启发了新一类 AI 算法——脉冲神经网络（spiking neural networks, SNNs）。这类网络能够高效响应不

规则和偶发的事件。相比之下，传统 AI 网络更擅长处理数据密集型任务，例如人脸识别、图像分类、图像分析

以及三维重建。

该研究共同作者、普渡大学研究人员 Adarsh Kosta 表示：“长期以来，人脑的能力一直是 AI 系统的重要灵感来

源。机器学习算法就源于大脑从输入数据中学习并进行泛化的能力。如今，我们希望更进一步，复现人脑高效的

信息处理机制。”

从“会算”到“能在端上算”：现实应用的关键差别

这种受神经科学启发的路径，可能使 AI 应用突破大型数据中心的限制，走向更广泛的现实场景。例如，在搜救

任务中执行自主飞行的无人机，需要实时感知环境、识别并跟踪目标、做出决策，并规划后续行动。如果依赖云

端计算，时延往往过高，因此这些任务必须尽可能高效地在机载设备上完成。

在这类场景中，计算系统必须具备轻量化、低功耗的特点。提升效率的一种方式，是让无人机采用基于事件相机

（event-based cameras）。与记录连续帧的传统视频相机不同，这类传感器只有在像素变化达到一定程度时才

输出数据。

基于事件相机能够显著降低数据量和功耗；但与此同时，其输出具有间歇性和时间依赖性，并不适合由传统处

理单元高效处理。而脉冲神经网络算法与人脑类似，能高效响应事件序列，能够充分利用这类稀疏信号。

一个典型应用：涉及无人机（UAV）执行的搜救任务。

这种方法有望让无人机具备更强的能力，或实现更远的续航距离。更高的能效同样会使交通运输、医疗设备等

众多领域的 AI 应用受益。该研究共同作者、普渡大学研究人员 Tanvi Sharma 表示：“AI 是 21 世纪最具变革性

的技术之一。然而，要将其从数据中心推向现实世界，我们就必须大幅降低其能耗。通过减少数据传输、提高

处理效率，AI 才能融入小型、价格合理、电池续航更长的设备中。”

真正的关键，在硬件而不只在算法

不过，研究也明确指出：仅有受脑启发的算法还不够，想真正发挥 SNN 等方法的优势，还需要能够克服"内存墙"

的专用硬件。被重点讨论的方向是"存内计算"系统（compute-in-memory, CIM），即能够在数据存储的位置直接

执行计算，从而减少高代价的数据搬运。这一点尤其适合 SNN，因为 SNN 需要反复访问存储单元，以便随时间

更新并检查膜电位状态。

实现 CIM 主要有两种路径：

- 模拟方法（analog）：利用流经存储单元的电流直接执行计算；

- 数字方法（digital）：在存储阵列内部或其邻近区域使用标准数字逻辑（0 和 1）完成运算。

其中，数字方法精度更高，但其能耗通常也高于模拟方法。

这项研究真正提供的，不是“捷径”，而是路线图。

因此，更准确地说，这项工作并不是宣布 AI 能耗问题已经被解决，而是提出了一条更具可持续性的技术路线：

将算法、芯片架构、电路设计与存储器件协同设计。

Roy 总结道：“只有将硬件与算法进行协同设计，我们才有可能真正突破内存墙，实现快速、轻量、低功耗的 AI。

这种协同设计方法还有望构建出更具通用性的计算平台，使系统能够根据具体应用场景，在传统 AI 网络与受脑启

发的神经网络之间灵活切换。”回到当下“养龙虾”热潮所折射出的现实需求，人们真正期待的并不只是一个更会

回答问题的 AI，而是一个能在本地稳定运行、能持续执行任务、又不会迅速耗尽算力与电力预算的 AI。也正因如

此，OpenClaw 这样的现象级应用虽然是由智能体热潮点燃，但它背后暴露出的，实际上是整个 AI 产业更深层的

共同问题：当 AI 要真正走出数据中心，硬件必须先学会更像大脑那样工作。点此可免费阅读&下载原文

关于 Frontiers in Science

Frontiers in Science是 Frontiers 最新全力打造的一本旗舰期刊，于 2023 年 2 月 28 日正式发布。期刊以邀请制的方式发表经同行评

审的、具有杰出影响力学者的最新变革性研究，已汇聚全球 90 多个国家的科研力量。期刊致力于推动跨学科、

具有政策影响力的前沿科学研究以实现“健康星球上的愉悦生活”目标 ，目前已发表的文章累计阅读超 380 万次。

了解期刊详情请访问期刊官网：http://www.frontiersin.org/journals/science

如希望报导更多关于 Frontiers in Science 的相关内容，欢迎通过邮件说明意图发送至

 marketing.china@frontiersin.org