Fysik kan forandre computering og kunstig intelligens for evigt

I et brud med årtiers computering-tradition har et hold af forskere ved Unconventional AI udviklet en metode til at generere billeder, der ikke afhænger af de silicium-chip og elektriske strømme, der driver i dagens kunstige intelligenssystemer, men snarere af de grundlæggende fysikprincipper selv.

Systemet, kaldet Un-0, repræsenterer en opdyrkende filosofi i udviklingen af kunstig intelligens: i stedet for at bygge større og mere komplekse computernetværk, udforsker videnskabsmænd, om de matematiske mønstre, der findes i naturen, kan udføre det samme computearbejde, mens de bruger omkring 1000 gange mindre energi.

Energi og Effektivitet

De kunstige intelligenssystemer, der har domineret teknologilandskabet, såsom neurale netværk, sprogmodeller og anbefalingsalgoritmer, kræver enorme mængder energi for at fungere.

Datacentre, der huser disse systemer, forbruger strøm svarende til den, der findes i små byer, hvilket vækker bekymring om både miljøpåvirkning og langsigtede bæredygtighed.

Forskere estimerer, at opnåelse af den næste betydelige gennembrud i kunstig intelligens-effektivitet vil kræve en grundlæggende anderledes tilgang til, hvordan maskiner behandler information.

Denne erkendelse har fået videnskabsmænd til at se mod naturen for inspiration, hvor de undersøger biologiske og fysiske systemer, der er udviklet over millioner af år for at løse komplekse problemer med bemærkelsesværdig effektivitet.

Forståelse af Koblet Oscillatorer

I hjertet af Un-0 ligger en simpel, men snedig koncept fra fysik: koblet oscillatorer.

For at forstå dette kan man forestille sig et par metronomer, de mekaniske enheder, musikere bruger til at holde takten. Hvis to metronomer placeres på samme bord og indstilles til forskellige tempi, sker der noget bemærkelsesværdigt. Gennem vibrationer i overfladen under dem påvirker metronomerne langsomt hinanden, indtil de til sidst falder i sync, tikker i takt.

Denne synkronisering følger præcise matematiske principper, der er studeret i fysik i mere end et århundrede. Interaktionen mellem oscillatorer skaber mønstre af organisation, der opstår uden nogen ekstern ledelse eller kontrol, de organiserer sig selv.

Nu forestil dig at udvide dette koncept dramatisk. I stedet for to metronomer forestil dig tusinder af oscillerende enheder, hver i stand til at påvirke hver anden enhed omkring den.

Hver oscillator besidder flere egenskaber: en naturlig frekvens, hvormed den ønsker at rotere, en fasevinkel, der beskriver dens nuværende position i dens oscillationscyklus, og forbindelser til hver anden oscillator, der bestemmer, hvor stærkt hver par påvirker hinanden.

Disse forbindelser, kaldet koblingsstyrker, er de aspekter, som Un-0 lærer under træning.

Dette system spejler matematiske modeller, der er kendt som Kuramoto-oscillatorer, opkaldt efter fysikeren Yoshiki Kuramoto, der studerede sådanne systemer for årtier siden. Indtil for nylig forblev disse modeller overvejende teoretiske.

Un-0 demonstrerer, at de kan skaleres til at løse praktiske kunstig intelligens-problemer på et niveau af sofistikation, der tidligere blev betragtet som konventionel dyb læring.

Præstation og Sammenligning

Test har vist, at Un-0 opnår billedkvalitet, der er sammenlignelig med de førende kunstige intelligens-billedgenereringsmetoder fra flere år siden.

På en standard-benchmark kaldet ImageNet 64×64 opnåede systemet en kvalitetsscore, der svarede til præstationen af fremtrædende konventionelle genereringsmetoder, da disse systemer først blev offentliggjort.

Dette repræsenterer hverken nederlag eller gennembrud. Det demonstrerer snarere princip-bevis: systemer baseret på fysisk-dynamiske principper kan generere billeder af en kvalitet, der tidligere blev betragtet som eksklusiv for dyb læring, et detalje, der antyder betydelig potentiale for fremtidig udvikling.

Forskerne erkender, at nuværende state-of-the-art-systemer, der har gennemgået års forfinelse, stadig overgår Un-0. De påpeger dog, at konventionelle billedgenereringsmetoder også startede med beskedne resultater, før årtiers optimering forvandlede dem til i dagens sofistikerede værktøjer.

Hvorfor Fysik-baseret Computing er vigtigt

Un-0’s betydning strækker sig langt ud over billedgenerering. Systemer baseret på fysisk-dynamiske principper, der udfører kunstig intelligens-opgaver, mens de forbruger en tusind gange mindre energi end konventionelle metoder, ville have transformerende implikationer.

Sådanne effektivitetsgevinster kunne muliggøre kunstig intelligens-applikationer, der kan køre på mobile enheder, indlejrede systemer og fjerntliggende lokaliteter uden adgang til massive datacentre.

Desuden kunne disse systemer muligvis en dag implementeres direkte i fysisk hardware, silicium-chip designet til at simulere naturlige fysiske processer i stedet for at udføre programmerede instruktioner. Sådanne “ukonventionelle substrater”, som forskerne kalder dem, ville repræsentere en virkelig anden slags computer.

Det bredere Landskab

Un-0 er ikke den eneste forskningsindsats, der udforsker alternativer til konventionelle neurale netværk.

På tværs af akademiske og industrielle miljøer udforsker videnskabsmænd systemer inspireret af termodynamiske principper, analoge kredsløb, kvantemekanik og andre aspekter af fysik.

Disse tilgange deler en fælles motivation: konventionelle tilgange har næsten nået deres praktiske grænser i forhold til energi-effektivitet. Gennembruds-fremgang kan kræve en genopbygning af selv computeringen.

Forskningsfællesskabet er engageret i, hvad der kan beskrives som en stor udfordring: kan vi genopbygge kunstig intelligens-systemer til at være i overensstemmelse med de principper, der har styret biologiske og fysiske systemer i milliarder af år? Hvis det lykkes, ville en sådan præstation repræsentere en grundlæggende genopbygning af, hvad computere er, og hvordan de fungerer.

Nuværende Begrænsninger og Fremtidige Retninger

Un-0-systemet er stadig eksperimentelt. Det kører ved relativt beskedne billedopløsninger og har endnu ikke opnået de samme præstationsniveauer som de mest avancerede nuværende systemer.

Trods alle fremskridt kræver træningsprocessen stadig konventionel computering og betydelig tid til at fuldføre.

Forskerne har offentliggjort deres arbejde gennemsigtigt, ved at frigive træningskode og detaljeret analyse af deres resultater, hvilket afspejler overbevisningen om, at denne tilgang repræsenterer ikke en proprietær løsning, men en ny retning, som mange forskere kan udforske og forfine.

Som kunstig intelligens-systemer bliver mere og mere centrale i det moderne samfund, bevæger søgningen efter mere effektive computering-tilgange sig fra akademisk nysgerrighed til praktisk nødvendighed. Un-0 står som bevis på, at der i hvert fald er en lovende retning, og at undersøgelsen af fysik-baseret kunstig intelligens kun er begyndt.