Energibevarlig AI: En Ny Morgen Med Neuromorfe Computere

Det hurtigt voksende område af kunstig intelligens (AI) er berømt for sin ydeevne, men kommer med en betydelig energiomkostning. En ny tilgang, foreslået af to førende videnskabsmænd ved Max Planck-instituttet for lysfysik i Erlangen, Tyskland, sigter mod at træne AI mere effektivt, potentielt revolutionerer måden, AI behandler data på.

Nuvaerende AI-modeller forbruger store mængder energi under træning. Mens præcise tal er svære at få fat på, estimerer Statista, at GPT-3’s træning kræver omtrent 1000 megawatt timer—svarende til den årlige forbrug af 200 større tyske husholdninger. Mens denne energikrævende træning har finjusteret GPT-3 til at forudsige ordsekvenser, er der enighed om, at det ikke har grebet de indre betydninger af sådanne fraser.

Neuromorfe Computing: En Fusion Af Hjerne Og Maskine

Mens konventionelle AI-systemer afhænger af digitale kunstige neurale netværk, kan fremtiden ligge i neuromorfe computing. Florian Marquardt, en direktør ved Max Planck-instituttet og professor ved Universitetet i Erlangen, belyste ulemperne ved traditionelle AI-opstillinger.

“Dataoverførslen mellem processor og hukommelse alene forbruger en betydelig mængde energi,” fremhævede Marquardt, nævnte ineffektiviteterne ved træning af store neurale netværk.

Neuromorfe computing tager inspiration fra det menneskelige hjerte, hvor data bearbejdes parallelt snarere end sekventielt. I virkeligheden fungerer synapper i hjernen som både processor og hukommelse. Systemer, der efterligner disse egenskaber, såsom fotoniske kredsløb, der anvender lys til beregninger, er i øjeblikket under udvikling.

Træning Af AI Med Selvlærende Fysiske Maskiner

Arbejdende sammen med ph.d.-studerende Víctor López-Pastor, introducerede Marquardt en innovativ træningsmetode for neuromorfe computere. Deres “selvlærende fysisk maskine” optimerer grundlæggende sine parametre via en indre fysisk proces, hvilket gør ydre feedback overflødigt. “Ikke at kræve denne feedback gør træningen langt mere effektiv,” fremhævede Marquardt, antydede, at denne metode ville spare både energi og beregnings tid.

Dog har denne banebrydende teknik bestemte krav. Processen skal være omvendelig, hvilket sikrer minimal energitab, og tilstrækkeligt kompleks eller ikke-lineær. “Kun ikke-lineære processer kan udføre de komplekse transformationer mellem inputdata og resultater,” udtalte Marquardt, tegnede en forskel mellem lineære og ikke-lineære handlinger.

Mod Praktisk Implementering

Duos teoretiske grundlag stemmer overens med praktiske anvendelser. Samarbejdende med et eksperimentelt hold, er de i gang med at udvikle en optisk neuromorfe computer, der behandler information ved hjælp af overlagte lysbølger. Deres mål er klart: at realisere konceptet om den selvlærende fysisk maskine.

“Vi håber at præsentere den første selvlærende fysisk maskine om tre år,” projekterede Marquardt, indikerede, at disse fremtidige netværk ville kunne håndtere mere data og trænes med større datasæt end nutidige systemer. Givet de stigende krav til AI og de indre ineffektiviteter i nuværende opstillinger, synes skiftet mod effektivt trænet neuromorfe computere både uundgåeligt og lovende.

I Marquardts ord, “Vi er sikre på, at selvlærende fysisk maskiner har en solid chance i den fortsatte udvikling af kunstig intelligens.” Den videnskabelige fællesskab og AI-entusiaster vente med spænding på, hvad fremtiden bringer.