Energeticky účinná umělá inteligence: Nový úsvit s neuromorfními počítači

Rychle se rozvíjející oblast umělé inteligence (AI) je známá svým výkonem, ale přináší značné energetické náklady. A Nový přístup, navržený dvěma předními vědci z Institutu Maxe Plancka pro vědu světla v Erlangenu v Německu, si klade za cíl trénovat AI efektivněji, což může způsobit revoluci ve způsobu, jakým AI zpracovává data.

Současné modely umělé inteligence spotřebovávají během tréninku obrovské množství energie. Zatímco přesná čísla jsou těžko uchopitelná, odhady Statista naznačují, že výcvik GPT-3 vyžaduje zhruba 1000 megawatthodin – což odpovídá roční spotřebě 200 velkých německých domácností. I když tento energeticky náročný trénink vyladil GPT-3 tak, aby předpovídal posloupnosti slov, panuje shoda v tom, že nepochopil vlastní významy takových frází.

Neuromorphic Computing: Sloučení mozku a stroje

Zatímco konvenční systémy umělé inteligence spoléhají na digitální umělé neuronové sítě, budoucnost může spočívat v neuromorfních výpočtech. Florian Marquardt, ředitel Institutu Maxe Plancka a profesor na univerzitě v Erlangenu, objasnil nevýhody tradičních nastavení AI.

„Samotný přenos dat mezi procesorem a pamětí spotřebovává značné množství energie,“ zdůraznil Marquardt a upozornil na neefektivitu při trénování rozsáhlých neuronových sítí.

Neuromorfní výpočetní technika se inspiruje lidským mozkem a data zpracovává spíše paralelně než sekvenčně. V podstatě synapse v mozku fungují jako procesor i paměť. Systémy napodobující tyto charakteristiky, jako jsou fotonické obvody využívající světlo pro výpočty, jsou v současné době předmětem zkoumání.

Trénink umělé inteligence pomocí samoučících se fyzikálních strojů

Marquardt ve spolupráci s doktorandem Víctorem López-Pastorem představil inovativní metodu školení pro neuromorfní počítače. Jejich „samoučící se fyzický stroj“ zásadně optimalizuje své parametry prostřednictvím přirozeného fyzického procesu, takže externí zpětná vazba je nadbytečná. „Nevyžadování této zpětné vazby dělá trénink mnohem efektivnější,“ zdůraznil Marquardt a naznačil, že tato metoda by ušetřila energii i výpočetní čas.

Přesto má tato převratná technika specifické požadavky. Proces musí být reverzibilní, zajišťující minimální energetické ztráty a dostatečně komplexní nebo nelineární. „Pouze nelineární procesy mohou provádět složité transformace mezi vstupními daty a výsledky,“ uvedl Marquardt a rozlišoval mezi lineárními a nelineárními akcemi.

Směrem k praktické implementaci

Teoretické základy dua jsou v souladu s praktickými aplikacemi. Ve spolupráci s experimentálním týmem vyvíjejí optický neuromorfní počítač, který zpracovává informace pomocí superponovaných světelných vln. Jejich cíl je jasný: aktualizace konceptu samoučícího se fyzického stroje.

„Doufáme, že za tři roky představíme první fyzický stroj s vlastním učením,“ navrhl Marquardt a naznačil, že tyto budoucí sítě by zvládly více dat a byly trénovány s většími datovými sadami než současné systémy. Vzhledem k rostoucím požadavkům na AI a vnitřní neefektivitě současných nastavení se posun k efektivně trénovaným neuromorfním počítačům zdá nevyhnutelný a slibný.

Slovy Marquardta: „Jsme přesvědčeni, že fyzické stroje s vlastním učením mají solidní šanci v probíhajícím vývoji umělé inteligence.“ Vědecká komunita i nadšenci AI čekají se zatajeným dechem na to, co přinese budoucnost.