剑桥团队造新芯片，AI能耗直降七成

当你刷短视频时，手机后台的AI在耗电；当数据中心训练大模型时，整栋楼的空调在为服务器降温。现在的AI就像个永远在奔波的快递员——计算单元和存储单元分处两地，它得来回驮着数据跑，每跑一趟就耗掉一大截电。

剑桥大学的一群科学家，花了三年时间给这个“快递员”找了个新据点：一块掺杂了锶和钛的氧化铪薄膜。它能让计算和存储在同一个地方完成，直接把AI的能耗砍去70%。更关键的是，它还能像人脑的突触那样，自己学着调整“记性”。这到底是怎么做到的？

从“快递员模式”到“家门口办公”

现在的AI芯片，遵循的是70多年前冯·诺依曼定下的规矩：计算单元（CPU/GPU的核心）和存储单元（内存、硬盘）是分开的。就像你在书房写报告，却得每隔十分钟跑到客厅的文件柜里翻资料——来回跑的时间和体力，全成了无用消耗。数据显示，现在AI的能耗里，有90%都花在了“跑数据”上，真正用在计算的只有10%。

科学家们早就想模仿人脑：人脑的神经元既是计算单元也是存储单元，突触连接的强弱就是记忆，信号一来直接在原地处理，根本不用“跑数据”。要实现这种“存算融合”，核心就是造出能模拟突触的器件——忆阻器（memristor），一种能同时存储信息和处理信息的电子元件。

过去的忆阻器，就像用沙子堆桥：靠材料内部随机形成的导电丝来切换电阻状态，不仅电压高、能耗大，还像抽盲盒一样不稳定，这次堆的桥和下次堆的可能完全不一样。剑桥团队的突破，就是把“堆沙子”改成了“建闸门”。

用“界面闸门”替代“随机沙桥”

你可以把传统忆阻器的导电丝想象成：在两层金属中间的氧化物薄膜里，随机长出一根细金属丝，连通两边就是“开”，断掉就是“关”。但这根丝的粗细、位置全看运气，所以每次开关的能耗和稳定性都不一样。

剑桥团队的做法是，给氧化铪薄膜掺上锶和钛，再用两步法生长出一层特殊的界面——p-n异质结。这就像在两层金属之间建了一道可以精准调节的闸门：不是靠随机长出来的丝，而是通过调整闸门的“高度”（界面能垒）来控制电流。

但真实的机制比这更精确： 当施加正向电压时，氧离子会在界面处移动，降低能垒高度，电流变大（低阻态）； 当施加反向电压时，氧离子移回，能垒升高，电流变小（高阻态）。

这个过程完全可控，没有随机的导电丝，所以开关电流比传统忆阻器低了一百万倍，单次能耗只有2.5皮焦耳到45飞焦耳——相当于一滴水从1毫米高处落下的能量。它还能实现几百种稳定的电阻状态，就像人脑突触的连接强度，可以从弱到强连续调整，完美模拟学习时的突触变化。

更值得关注的是，这种界面型忆阻器解决了传统忆阻器最大的痛点：一致性。过去100个忆阻器可能有100种脾气，现在它们就像同一个模子刻出来的，这是大规模集成的关键。

三年磨一剑，卡在了“温度”这关

巴巴克·巴希特博士和他的团队，为了找对这层界面的配方，花了整整三年。最开始他们按照传统工艺，在沉积薄膜时就通入氧气，结果界面总是有缺陷，性能不稳定。直到2025年底，他们试着把氧气的引入时间推迟——先沉积不含氧的薄膜，再在第二步通入氧气，终于得到了均匀稳定的p-n异质结。

但现在还有一道坎：目前的制造工艺需要700℃的高温，而主流半导体工厂的后端工艺温度上限只有400℃。这个温度差，就像你要把一块需要高温烧制的陶瓷，粘到已经做好的塑料玩具上，一加热塑料就化了。

不过团队已经在想办法降温，比如用原子层沉积技术替代现在的工艺。如果能把温度降到400℃以下，这种忆阻器就能直接嫁接到现有的芯片生产线上，不用重建工厂。到那时，你的手机AI助手可以连续工作一周不充电，数据中心的电费能省出几个亿。

我们总说AI要像人脑，但过去的模仿都停留在软件层面——用算法模拟神经网络，硬件还是那个来回跑数据的“快递员”。这次剑桥团队的突破，是第一次在硬件层面，让AI拥有了类似人脑突触的“记性”和“学习能力”。

更重要的是，它给我们指了一条路：AI的未来，不一定是追求更快的计算速度，而是追求更高效的计算方式。就像人类的大脑，只需要20瓦的功率，就能完成比超级计算机更复杂的思考。

存算一体，才是AI能效革命的起点。