发布日期: 2025年10月20日

模拟储备池AI芯片预测人体动作-使实时学习成为可能

随着AI时代的到来，AI所需的海量运算处理和电力消耗等成为全球性课题。“储备池计算”作为解决方案之一而备受关注。与模仿大脑的万能“神经形态设备”不同，“储备池计算”利用自然现象模仿小脑，因此可以实现高速处理且功耗低。TDK和北海道大学联合开发了面向边缘AI的模拟储备池AI芯片原型。在2025年10月举行的CEATEC 2025上，我们将展示一个演示机，让参观者可以实际体验其成果。

高级AI的计算挑战

近年来，随着生成式AI的进化和普及，我们的生活和产业正在发生的变化。但是，另一方面，一些不可避免的课题也日益凸显。由于AI的海量计算依赖于云端，网络拥塞可能导致延时，另外数据中心的功耗也随之激增。特别是在机器人和人机界面等需要实时处理的领域，仅以云为中心的方法的局限性日益凸显。因此，为了在整个社会中利用人工智能，还需要根据用途区分使用云和边缘来解决电力消耗和延时的问题。

低功耗和高速计算

“储备池计算”有望为这些课题提供新的解决方案。传统的深度学习由首先接收数据的“输入层”、在多个阶段对信息进行精细计算的“中间层”以及最终给出答案的“输出层”组成。阶段越多，计算就越复杂，但相应地也需要庞大的计算和电力，延时（处理的延时）也是不可避免的。

另一方面，储备费计算由“输入层”、“储备池层”和“输出层”组成。独特之处在于处于中间的储备池层，这里不进行复杂的计算，而是利用随时间传播的自然现象，如水面的波浪和电信号的波动。通过传播和干扰捕获输入的时变自然现象的特征并将其传递给输出层，可以显著减少学习所需的参数数量。因此，处理速度比以往更快，功耗更低。

储备池计算设备结构简单，学习域小，可以在减少电力消耗的同时实现高速运算。

在模拟电路中实现储备池计算

TDK和北海道大学接受了用模拟电子电路实现这种储备池计算的挑战。2024年，我们成功开发了基于模拟电路实现的储备池AI芯片原型。在此之前，TDK于2020年开发了一款大型储备池计算设备，该设备利用电子电路本身作为计算资源，通过组合电容器和晶体管等基础电子元件而非软件，物理再现多数节点（信号处理单元），实现了良好特性。这次将该电路结构集成到芯片中，成功地将电力消耗减少到可实际应用的程度。

TDK和北海道大学开发的模拟储备池AI芯片（原型）

此外，该电路具有"短期记忆"的性能。短期记忆是指暂时保留之前输入的信息，并在后续处理中利用其影响的机制。就像人类会记住几秒钟前听到的单词并进行对话一样，这种芯片也会在极短的时间内保留信息，并根据过去的输入来预测下一步的动作。通过将该芯片与TDK的加速度传感器相结合，我们实现了一种传感器设备，可以实时学习用户手指动作，并在动作完成之前预测下一个动作。

“绝对赢不了的猜拳”演示机

2025年CEATEC 2025上展示的演示机可以直观地体验这一特点。演示机演示了用户在手上安装加速度传感器，读取猜拳手指的动作，在用户出完手之前，AI就会预测其下一步动作，从而确保获胜。即使用户出了与常规不同的手势（如旧版的剪刀手势），AI也会当场实时学习，并在下次用户打出相同手势时准确预测该动作。该演示例简单易懂地展示了模拟储备池AI芯片的潜力。

利用储备池AI芯片與感測器的展示 — 加速度传感器监测用户手指的动作，AI芯片快速预测用户出哪个手并显示获胜玩法。即使用户出了与常规不同的手势（如旧版的剪刀手势），也能实时学习，以确保始终获胜。

储备池芯片的潜力

担任储备池AI芯片开发负责人的TDK株式会社技术与知识产权本部的望月慎一郎表示：
“与传统AI不同，储备池AI芯片模仿小脑的工作，因此作为一种具有超低功耗和实时学习功能的边缘AI，有望对行业界产生重大影响。在北海道大学浅井教授的支持下，我们成功开发出前沿的储备池AI芯片，这是产学联合开发的重大成果。我们相信，凭借我们在传感器设备和信息处理方面的优势，我们的模拟储备池AI芯片将使先进的传感器应用成为可能，并通过在任何传感器设备附近使用储备池来创造更好的价值。”

另外，参与联合开发的北海道大学信息科学研究院的浅井哲也教授谈到了这项技术的潜力：
“我相信，通过此次联合研究开发的储备池AI芯片将为边缘AI开辟新的可能性。储备池计算作为低功耗且能够实时学习的下一代AI技术，对今后的社会应用寄予厚望。TDK株式会社先进的传感器技术和模拟电路技术对于储备池AI的实用化至关重要，我期待它们能够继续创造前沿的创新成果。”

TDK于2024年发布了一款模仿大脑的“神经形态设备”。这次的储备池计算是对小脑的模仿，也是一种根据用途相互存储其作用的技术。神经形态设备承担复杂计算且功耗低，而储备池AI芯片则可以按时间顺序进行实时学习。通过两者的结合，进一步拓展了AI的可能性。