Genesis 神经形态芯片：用类脑硬件破解 AI 灾难性遗忘
UT San Antonio 团队推出 Genesis 神经形态加速器芯片，通过元可塑性机制实现设备端终身持续学习，号称…
美国得克萨斯大学圣安东尼奥分校（UT San Antonio）MATRIX AI 联盟的研究团队近日公布了其研发的神经形态加速器芯片 Genesis，旨在解决 AI 系统长期存在的一大难题——「灾难性遗忘」（catastrophic forgetting）。该芯片采用脉冲神经网络与元可塑性机制，可在设备端实现持续学习，号称能耗比传统硬件低 30–100 倍。
研究背景：什么是灾难性遗忘
灾难性遗忘指 AI 模型在学习新任务时，旧任务能力急剧下降的现象。例如，一架在森林中训练识别烟雾的无人机被改派到沿海监测洪水时，一旦开始学习新图像，就可能完全丧失识别森林火灾的能力。这一问题被广泛认为是构建真正自主智能体的核心障碍之一。
Genesis 芯片的核心机制
Genesis 由 MATRIX AI 联盟创始人 Dhireesha Kudithipudi 带领团队设计，灵感来自大脑的元可塑性（metaplasticity）原理：大脑并不会同等对待所有神经突触连接，使用频率高的连接更难被改写，而低频连接则保持灵活。芯片上的每个处理单元不仅记录当前使用情况，还追踪其历史贡献与激活频率，从而让高重要性连接抵抗覆写、新学习被路由至仍具弹性的连接。
研究团队同时采用脉冲神经网络（SNN），神经元以类似生物的「脉冲」方式传递信息，无任务时系统进入静息状态，大幅降低能耗。此外，芯片设计了定制化的数据搬运策略，将学习所需信息集中存储，避免传统架构中内存与处理器之间的数据搬运瓶颈。
性能与应用场景
根据团队介绍，Genesis 在测试阶段有望实现比传统硬件低 30–100 倍的能耗，运行功耗仅毫瓦级，适用于无数据中心或无稳定云端连接的边缘场景，包括：
- 野外部署的无人机
- 可植入医疗设备
- 可穿戴传感器
芯片通过与 SUNY Albany 合作，采用 IBM 65nm 工艺制造。团队成员 Vedant Karia、Fatima Tuz Zohora、Abdullah M. Zyarah 和 Nicholas Soures 历经五年、两个原型版本迭代才完成当前架构。
配套算法与未来方向
除硬件外，团队还开发了配套的学习算法、扩展框架以及受大脑启发的神经网络架构 MetaplasticNet，三者协同实现芯片的低功耗设计。Kudithipudi 表示，Genesis 证明了持续学习并非停留在概念阶段，下一阶段将聚焦机制扩展与规模化，让机器能够像人类一样在多年运行中持续积累知识。