IA eficient energèticament: un nou alba amb ordinadors neuromòrfics

L'àmbit de ràpid creixement de la intel·ligència artificial (IA) és conegut pel seu rendiment, però té un cost energètic substancial. A enfocament nou, proposat per dos científics destacats de l'Institut Max Planck per a la Ciència de la Llum d'Erlangen, Alemanya, té com a objectiu entrenar la IA de manera més eficient, revolucionant potencialment la manera com la IA processa les dades.

Els models actuals d'IA consumeixen grans quantitats d'energia durant l'entrenament. Tot i que les xifres precises són difícils de dur a terme, les estimacions de Statista suggereixen que la formació de GPT-3 requereix aproximadament 1000 megawatts-hora, equivalent al consum anual de 200 llars alemanyes importants. Tot i que aquest entrenament intensiu energètic ha ajustat GPT-3 per predir seqüències de paraules, hi ha consens que no ha entès els significats inherents d'aquestes frases.

Informàtica neuromòrfica: fusionant cervell i màquina

Si bé els sistemes d'IA convencionals es basen en xarxes neuronals artificials digitals, el futur pot estar en la informàtica neuromòrfica. Florian Marquardt, director de l'Institut Max Planck i professor de la Universitat d'Erlangen, va dilucidar l'inconvenient de les configuracions tradicionals d'IA.

"Només la transferència de dades entre el processador i la memòria consumeix una quantitat important d'energia", va destacar Marquardt, assenyalant les ineficiències en entrenar grans xarxes neuronals.

La informàtica neuromòrfica s'inspira en el cervell humà, processant dades de manera paral·lela en lloc de seqüencial. Essencialment, les sinapsis del cervell funcionen com a processador i memòria. Actualment s'estan explorant sistemes que imiten aquestes característiques, com els circuits fotònics que utilitzen la llum per als càlculs.

Entrenar IA amb màquines físiques d'autoaprenentatge

Treballant al costat de l'estudiant de doctorat Víctor López-Pastor, Marquardt va introduir un innovador mètode d'entrenament per a ordinadors neuromòrfics. La seva "màquina física d'autoaprenentatge" optimitza fonamentalment els seus paràmetres mitjançant un procés físic inherent, fent que la retroalimentació externa sigui redundant. "No requerir aquesta retroalimentació fa que la formació sigui molt més eficient", va subratllar Marquardt, suggerint que aquest mètode estalviaria tant energia com temps informàtic.

No obstant això, aquesta tècnica innovadora té requisits específics. El procés ha de ser reversible, garantint la mínima pèrdua d'energia, i prou complex o no lineal. "Només els processos no lineals poden executar les complicades transformacions entre les dades d'entrada i els resultats", va dir Marquardt, fent una distinció entre accions lineals i no lineals.

Cap a la implementació pràctica

La base teòrica del duet s'alinea amb les aplicacions pràctiques. Col·laborant amb un equip experimental, estan avançant en un ordinador neuromòrfic òptic que processa la informació mitjançant ones de llum superposades. El seu objectiu és clar: actualitzar el concepte de màquina física d'autoaprenentatge.

"Esperem presentar la primera màquina física d'autoaprenentatge en tres anys", va projectar Marquardt, indicant que aquestes xarxes futures gestionarien més dades i s'entrenarien amb conjunts de dades més grans que els sistemes contemporanis. Tenint en compte les creixents demandes d'IA i les ineficiències intrínseques de les configuracions actuals, el canvi cap a ordinadors neuromòrfics entrenats de manera eficient sembla inevitable i prometedor.

En paraules de Marquardt, "Estem segurs que les màquines físiques d'autoaprenentatge tenen una sòlida oportunitat en l'evolució contínua de la intel·ligència artificial". Tant la comunitat científica com els entusiastes de la IA esperen sense alè el que els depara el futur.