Artificiell intelligens har på kort tid blivit en central del av allt från sökmotorer och självkörande fordon till medicinsk diagnostik och avancerad forskning. Men utvecklingen har också en baksida: dagens mest kraftfulla AI-modeller kräver enorma mängder energi och datorkraft.
Nu har forskare vid Imperial College London och ETH Zürich presenterat en ny AI-arkitektur inspirerad av den mänskliga hjärnan som kan förändra detta. Genom att kombinera biologiskt inspirerade neurala nätverk med specialutvecklad hårdvara har forskarna skapat ett system som både arbetar snabbare och använder betydligt mindre energi än dagens lösningar.
Resultaten publiceras i tidskriften Nature Machine Intelligence.
Inspirerad av hjärnans sätt att kommunicera
Den nya tekniken bygger på så kallade spikande neurala nätverk, eller Spiking Neural Networks (SNN).
Till skillnad från traditionella AI-modeller, där information bearbetas kontinuerligt, efterliknar SNN hur biologiska nervceller fungerar. I hjärnan skickas information vidare i form av korta elektriska impulser, så kallade spikar. Nervcellerna är bara aktiva när något viktigt händer.
Detta gör att hjärnan kan utföra mycket komplexa uppgifter med en energiförbrukning som är försvinnande liten jämfört med dagens datacenter.
Forskarna har försökt överföra samma princip till artificiell intelligens.
– Spikande neurala nätverk är mycket effektiva för händelsestyrd informationsbearbetning, men har länge haft svårt att bevara relevant information över längre tidsperioder, skriver forskarna i studien.
Ett system med dubbla minnesvägar
För att lösa detta problem utvecklade forskarna en ny arkitektur inspirerad av hur hjärnan kombinerar snabba och långsamma processer.
Den mänskliga hjärnan arbetar nämligen inte bara med snabba signaler. Vissa nervsystem är specialiserade på att reagera omedelbart på förändringar, medan andra långsamt lagrar och upprätthåller information över längre tid.
Forskargruppen skapade därför ett system med två minnesvägar:
- En snabb väg som hanterar inkommande signaler i realtid.
- En långsam väg som lagrar viktig information och sammanhang över längre tidsperioder.
Den långsamma minnesvägen fungerar som ett kompakt arbetsminne som hjälper nätverket att förstå vad som hänt tidigare utan att behöva lagra enorma mängder data.
Resultatet blir att modellen kan hantera långa sekvenser av information betydligt effektivare än tidigare generationer av spikande neurala nätverk.
Färre parametrar men högre prestanda
En särskilt intressant upptäckt är att den nya arkitekturen klarar sig med betydligt färre parametrar än många moderna AI-system.
Forskarna rapporterar att deras modell uppnår jämförbar eller bättre precision samtidigt som den använder mellan 40 och 60 procent färre parametrar än tidigare avancerade SNN-modeller.
Det innebär inte bara lägre energiförbrukning utan också mindre minneskrav och snabbare bearbetning.
Hårdvarudesign för DMP-arkitekturen. Källa: Nature Machine Intelligence (2026). DOI: 10.1038/s42256-026-01255-3
Specialutvecklad hårdvara
Forskarna nöjde sig inte med att förbättra mjukvaran.
De utvecklade samtidigt en ny typ av hårdvara som är särskilt anpassad för den dubbla minnesarkitekturen. Systemet bygger på så kallad ”compute-near-memory”, där beräkningar utförs nära lagringsenheterna istället för att data ständigt måste flyttas fram och tillbaka mellan processor och minne.
Detta minskar energiförluster och flaskhalsar som annars begränsar prestandan i moderna datorer.
Genom att kombinera den hjärninspirerade mjukvaran med den optimerade hårdvaran kunde forskarna uppnå mycket imponerande resultat.
Fem gånger bättre energieffektivitet
I tester visade den nya plattformen:
- Mer än fyra gånger högre genomströmning.
- Över fem gånger bättre energieffektivitet.
- Kraftigt minskade minneskrav.
- Förbättrad hantering av långa dataströmmar.
Detta är särskilt viktigt för framtida AI-system som måste fungera i realtid under strikta energibegränsningar.
Möjliga användningsområden
Forskarna ser stora möjligheter för tekniken inom flera områden.
Framtida tillämpningar kan inkludera:
- Autonoma robotar
- Smarta sensornätverk
- Bärbara medicinska enheter
- Självkörande fordon
- Edge-AI där beräkningar sker lokalt istället för i molnet
- Industriella övervakningssystem
Eftersom systemen kan arbeta med låg energiförbrukning kan de användas på platser där traditionella AI-modeller skulle vara för energikrävande.
Ett steg mot mer hjärnlik AI
Studien visar hur biologiska principer fortfarande kan inspirera nästa generation av artificiell intelligens.
Istället för att enbart göra AI-modeller större och mer resurskrävande försöker forskare nu efterlikna hjärnans effektivitet, där komplex informationsbearbetning sker med minimal energiförbrukning.
Om tekniken fortsätter att utvecklas kan framtidens AI-system bli både snabbare, billigare och betydligt mer hållbara än dagens lösningar.
Publikationsuppgifter
Titel: Algorithm–hardware co-design of neuromorphic networks with dual memory pathways
Tidskrift: Nature Machine Intelligence (2026)
DOI: 10.1038/s42256-026-01255-3
