清华教授谈稀疏连接技术：AI模型仅保留5%连接表现仍优于全连接

清华大学脑与智能实验室首席研究员卡洛·维托里奥·坎尼斯特拉奇近日在四川接受采访时，介绍了其团队在AI算力效率方面的研究进展。他提出，与其持续增加人工智能的计算资源，不如尝试让模型学会更有效地“沟通”，减少不必要的计算。

坎尼斯特拉奇从人脑运作中获得启发。他指出，人脑完成复杂任务并不需要所有神经细胞彼此相连。其团队研究的“稀疏连接”技术，旨在让人工智能在学习过程中自行调整内部信息传递路径，保留有应用价值的连接，从而减少计算开销。他比喻称，这不是让所有人一直开会，而是让真正需要协作的人找到彼此。

实验显示，在两项机器翻译对照测试中，仅保留约5%连接的神经网络，表现仍优于全连接神经网络。不过坎尼斯特拉奇强调，这并不意味着设备耗电量也能相应减少95%。

成都人形机器人创新中心决策规划专家邓轲表达了类似看法。他认为，机器人无法无限堆算力，因为更强计算设备往往更耗电、需更多散热，还可能增加重量、缩短续航。减少无效计算具有应用前景，但算法节省的计算量未必直接转化为整机节电，机器人还需驱动关节、使用传感器和通信，真正降低能耗需要软硬件协同改进。

邓轲也提到，若AI效率进一步提升，更多模型有望直接运行在手机、电脑或机器人上，减少对远端服务器的依赖，但这仍需持续技术攻关。坎尼斯特拉奇认为，下一代人工智能既需借鉴人脑高效原理，也需新的计算硬件支持，算法与硬件的匹配仍是待突破的难题。