研究端則有一條值得關注的路線：以記憶電阻（memristor）等元件實現「記憶與運算同址」的類腦運算，減少資料在記憶體與運算單元之間搬移所耗費的能量。劍橋大學團隊提出以摻入鍶、鈦的 HfO₂ 薄膜形成 p-n 異質介面，透過介面能障的平滑變化進行切換，避免傳統氧化物元件常見、較不穩定的絲狀導電路徑。 研究宣稱其切換電流可比部分既有元件低很多量級，並能提供多階穩定導通狀態，對於類比式的「在記憶體內運算」相當重要。雖然這類技術距離大規模商品化仍有製程、耐久與整合挑戰，但它提供了一個重要提醒：未來 AI 的成本與可持續性，可能不只靠更好的模型與更大的資料中心，還需要從材料、元件到系統架構的跨層創新。