加州大学圣地亚哥分校的团队在《自然·纳米技术》发表的研究中，推出了一种受大脑启发的新型硬件平台，旨在解决人工智能硬件在速度和能效上的瓶颈。该研究由电气工程教授杜伊古·库祖姆领导，其核心突破在于将存储与计算功能集成于同一芯片，并模仿大脑神经元的集体交互模式，而非简单复制单个神经结构。 传统计算机中，存储与处理分离，数据往返消耗大量时间与能源。新平台利用掺氢的钙钛矿镍酸盐量子材料，通过电压脉冲控制氢离子移动来改变电阻，从而具备记忆特性。更重要的是，所有节点通过共享基底相互影响，模拟了大脑中神经网络的动态通信。这种时空计算策略不仅分析信号的时间序列，还利用空间网络互动生成复杂内部模式，显著提升了模式识别的准确性与效率。 在模拟任务中，该系统成功实现了高准确率的语音数字识别，并能从脑电波记录中提前检测癫痫发作迹象。特别是在癫痫检测测试中，仅凭几秒的脑部数据，系统即可通过节点间的信号扩散捕捉早期预警。该设备运行速度可达纳秒级，单次操作能耗极低，仅约 0.2 纳焦。 这一技术突破为小型化、低功耗的边缘人工智能设备带来了新希望，如可穿戴健康监测器、智能传感器及自主机器等。虽然目前技术仍处于早期阶段，主要基于小规模实验和模拟验证，但未来工作重点将转向系统扩展、与传统半导体技术的集成以及更多应用场景的探索。