Energeticky efektivní AI: Nová éra s neuromorfními počítači

Rychle se rozvíjející oblast umělé inteligence (AI) je proslulá svými výkony, ale zároveň vyžaduje značné množství energie. Nový přístup, navržený dvěma předními vědci z Max Planck Institute for the Science of Light v Erlangenu, Německo, má za cíl efektivněji trénovat AI, což by mohlo revolucionizovat způsob, jakým AI zpracovává data.

Současné modely AI spotřebují během tréninku obrovské množství energie. Přesné čísla jsou obtížně dostupná, ale odhady společnosti Statista naznačují, že trénink GPT-3 vyžaduje přibližně 1000 megawatt hodin – což je ekvivalent roční spotřeby 200 větších německých domácností. Zatímco tento energeticky náročný trénink umožnil GPT-3 předpovídat sekvence slov, existuje shoda v tom, že GPT-3 dosud nezískalo hluboké pochopení významu těchto frází.

Neuromorfní výpočetní technika: Sloučení mozku a stroje

Zatímco konvenční systémy AI spoléhají na digitální umělou neuronovou síť, budoucnost může ležet v neuromorfní výpočetní technice. Florian Marquardt, ředitel Max Planck Institute a profesor na Univerzitě v Erlangenu, vysvětlil nevýhody tradičních nastavení AI.

“Převedení dat mezi procesorem a pamětí spotřebuje samo o sobě značné množství energie,” zdůraznil Marquardt, poukazující na neefektivitu při tréninku rozsáhlých neuronových sítí.

Neuromorfní výpočetní technika čerpá inspiraci z lidského mozku, zpracovává data paralelně místo sekvenčně. V podstatě fungují synapse v mozku jako procesor i paměť. Systémy, které napodobují tyto charakteristiky, jako jsou například fotony využívající světlo pro výpočty, jsou v současné době předmětem výzkumu.

Trénování AI se samoučícím fyzickým strojem

Pracující spolu s doktorským studentem Víctorem López-Pastorem, Marquardt představil inovativní tréninkovou metodu pro neuromorfní počítače. Jeho “samoučící fyzický stroj” fundamentálně optimalizuje své parametry prostřednictvím inherentního fyzického procesu, což činí externí zpětnou vazbu zbytečnou. “Nepotřebnost této zpětné vazby činí trénink mnohem efektivnějším,” zdůraznil Marquardt, naznačující, že tato metoda by ušetřila jak energii, tak výpočetní čas.

Je však třeba splnit určité požadavky. Proces musí být reverzibilní, aby se minimalizovala ztráta energie, a dostatečně komplexní nebo nelineární. “Jenom nelineární procesy mohou vykonávat složité transformace mezi vstupními daty a výsledky,” uvedl Marquardt, poukazující na rozdíl mezi lineárními a nelineárními akcemi.

Směřování k praktické implementaci

Teoretická práce dua se shoduje s praktickými aplikacemi. Spolupracují s experimentálním týmem, který rozvíjí optický neuromorfní počítač, který zpracovává informace pomocí superponovaných světelných vln. Jejich cílem je zřejmý: uskutečnit koncept samoučícího fyzického stroje.

“Doufáme, že budeme moci představit první samoučící fyzický stroj za tři roky,” předpověděl Marquardt, naznačující, že tyto budoucí sítě budou zpracovávat více dat a budou trénovány s většími datovými sadami než současné systémy. Vzhledem k rostoucím požadavkům na AI a vnitřním neefektivitám současných nastavení se zdá, že přechod k efektivně trénovaným neuromorfním počítačům je nejen nevyhnutelný, ale i slibný.

Marquardtova slova: “Jsme přesvědčeni, že samoučící fyzické stroje mají solidní šanci v probíhající evoluci umělé inteligence.” Vědecká komunita i nadšenci AI čekají s napětím, co budoucnost přinese.