Ενεργειακά Αποδοτικά AI: Μια Νέα Αυγή Με Neuromorphic Υπολογιστές

Η ταχύτατα εξελισσόμενη σφαίρα της τεχνητής νοημοσύνης (AI) είναι γνωστή για την απόδοσή της, αλλά έχει ένα σημαντικό ενεργειακό κόστος. Μια νέα προσέγγιση, που προτάθηκε από δύο κορυφαίους επιστήμονες στο Ινστιτούτο Μαξ Πλανκ για την Επιστήμη του Φωτός στο Έρλανγκεν, Γερμανία, στοχεύει στην εκπαίδευση του AI μεgreater αποδοτικότητα, потенτικά επαναedefinοντας τον τρόπο με τον οποίο το AI επεξεργάζεται τα δεδομένα.

Τα τρέχοντα μοντέλα AI καταναλώνουν τεράστιες ποσότητες ενέργειας κατά την εκπαίδευση. Αν και οι ακριβείς αριθμοί είναι δυσκολοί να καθοριστούν, οι εκτιμήσεις της Statista δείχνουν ότι η εκπαίδευση του GPT-3 απαιτεί περίπου 1000 megawatt ώρες – ισοδύναμες με την ετήσια κατανάλωση 200 μεγάλων γερμανικών νοικοκυριών. Αν και αυτή η ενεργειακά εντατική εκπαίδευση έχει βελτιώσει το GPT-3 για να προβλέψει ακολουθίες λέξεων, υπάρχει συναίνεση ότι δεν έχει κατανοήσει τις εγγενείς σημασίες τέτοιων φράσεων.

Neuromorphic Computing: Merging Brain and Machine

Εν timp που τα συμβατικά συστήματα AI βασίζονται σε ψηφιακά τεχνητά νευρωνικά δίκτυα, το μέλλον μπορεί να βρίσκεται στη neuromorphic υπολογιστική. Ο Florian Marquardt, διευθυντής στο Ινστιτούτο Μαξ Πλανκ και καθηγητής στο Πανεπιστήμιο του Έρλανγκεν, εξήγησε το μειονέκτημα των παραδοσιακών συστημάτων AI.

“Η μεταφορά δεδομένων μεταξύ επεξεργαστή και μνήμης καταναλώνει σημαντική ποσότητα ενέργειας”, τόνισε ο Marquardt, σημειώνοντας τις ανεπάρκειες κατά την εκπαίδευση μεγάλων νευρωνικών δικτύων.

Η neuromorphic υπολογιστική εμπνέεται από τον ανθρώπινο εγκέφαλο, επεξεργαζόμενη τα δεδομένα παράλληλα αντί σειριακά. Ουσιαστικά, οι συνάψεις στον εγκέφαλο λειτουργούν και ως επεξεργαστής και ως μνήμη. Συστήματα που μιμούνται αυτές τις ιδιότητες, όπως φωτονικά κυκλώματα που χρησιμοποιούν φως για τους υπολογισμούς, είναι目前 υπό εξέταση.

Training AI with Self-Learning Physical Machines

Εργαζόμενος μαζί με τον διδάκτορα Víctor López-Pastor, ο Marquardt εισήγαγε μια καινοτόμο μέθοδο εκπαίδευσης για neuromorphic υπολογιστές. Η “αυτο-μαθήτρια φυσική μηχανή” τους βασικά βελτιώνει τους παραμέτρους της μέσω μιας εγγενούς φυσικής διαδικασίας, καθιστώντας την εξωτερική ανάδραση περιττή. “Η μη απαιτούμενη ανάδραση καθιστά την εκπαίδευση πολύ πιο αποδοτική”, τόνισε ο Marquardt, υπογραμμίζοντας ότι αυτή η μέθοδος θα économise και ενέργεια και χρόνο υπολογισμού.

Ωστόσο, αυτή η πρωτοποριακή τεχνική έχει συγκεκριμένες απαιτήσεις. Η διαδικασία πρέπει να είναι αναστρέψιμη, εξασφαλίζοντας ελάχιστη απώλεια ενέργειας, και αρκετά σύνθετη ή μη γραμμική. “Μόνο μη γραμμικές διαδικασίες μπορούν να εκτελέσουν τις περίπλοκες μετατροπές μεταξύ εισοδικών δεδομένων και αποτελεσμάτων”, δήλωσε ο Marquardt, διακρίνοντας μεταξύ γραμμικών και μη γραμμικών ενεργειών.

Προς Πρακτική Εφαρμογή

Η θεωρητική βάση του δίδυμου συνάδει με πρακτικές εφαρμογές. Συνεργαζόμενοι με μια πειραματική ομάδα, προχωρούν σε einen οπτικό neuromorphic υπολογιστή που επεξεργάζεται πληροφορίες χρησιμοποιώντας υπέρθετα φωτεινά κύματα. Ο στόχος τους είναι σαφής: να υλοποιήσουν την концепτό του αυτο-μαθήτρια φυσικής μηχανής.

“Ελπίζουμε να παρουσιάσουμε την πρώτη αυτο-μαθήτρια φυσική μηχανή σε τρία χρόνια”, προέβλεψε ο Marquardt, υποδηλώνοντας ότι αυτά τα μελλοντικά δίκτυα θα χειρίζονται περισσότερα δεδομένα και θα εκπαιδεύονται με μεγαλύτερα σύνολα δεδομένων από τα σύγχρονα συστήματα. Δεδομένων των αυξανόμενων απαιτήσεων για AI και των εγγενών ανεπαρκειών των τρεχουσών ρυθμίσεων, η μετάβαση προς αποδοτικά εκπαιδευμένα neuromorphic υπολογιστές φαίνεται και αναπόφευκτη και υποσχόμενη.

Στα λόγια του Marquardt, “Είμαστε βέβαιοι ότι οι αυτο-μαθήτριες φυσικές μηχανές έχουν μια στέρεη ευκαιρία στην συνεχιζόμενη εξέλιξη της τεχνητής νοημοσύνης”. Η επιστημονική κοινότητα και οι ενθουσιώδεις του AI περιμένουν με αναμονή για το τι κρατάει το μέλλον.