Μοντέλα και πλατφόρμες AI

Ενεργειακά Αποδοτική AI: Μια Νέα Αυγή με Νευρομορφικούς Υπολογιστές

Alex McFarland
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ νευρομορφική υπολογιστική μιμείται την παράλληλη επεξεργασία του εγκεφάλου για να…
Δείτε περισσότερα
  • Η νευρομορφική υπολογιστική μιμείται την παράλληλη επεξεργασία του εγκεφάλου για να μειώσει δραστικά την κατανάλωση ενέργειας της ΤΝ.
  • Μια νέα αυτοδιδακτική φυσική μηχανή εκπαιδεύει ΤΝ χωρίς εξωτερική ανατροφοδότηση για μεγαλύτερη αποτελεσματικότητα.
  • Η πρώτη λειτουργική αυτοδιδακτική φυσική μηχανή θα μπορούσε να παρουσιαστεί εντός τριών ετών.

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 με μεγαλύτερη αποδοτικότητα, δυνητικά επαναπροσδιορίζοντας 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 μεγαβατώρες – 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.

Νευρομορφική Υπολογιστική: Συνδυάζοντας Εγκέφαλο και Μηχανή

Ενώ τα συμβατικά συστήματα AI βασίζονται σε ψηφιακά τεχνητά νευρωνικά δίκτυα, το μέλλον μπορεί να βρίσκεται στη νευρομορφική 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 νευρομορφική 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 αυτή τη στιγμή υπό εξέταση.

Εκπαίδευση AI με Αυτοεκπαιδευόμενες Φυσικές Μηχανές

Εργαζόμενος μαζί με τον υποψήφιο διδάκτορα Víctor López-Pastor, ο Marquardt εισήγαγε μια καινοτόμο μέθοδο εκπαίδευσης για νευρομορφικούς υπολογιστές. Η “αυτοεκπαιδευόμενη φυσική μηχανή” τους βασικά βελτιστοποιεί τις 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 εξοικονομεί 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 δεδομένων εισόδου 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 έναν οπτικό νευρομορφικό υπολογιστή που επεξεργάζεται πληροφορίες χρησιμοποιώντας υπέρθετα φωτεινά κύματα. Ο στόχος τους είναι σαφής: να υλοποιήσουν την έννοια της αυτοεκπαιδευόμενης φυσικής μηχανής.

“Ελπίζουμε να παρουσιάσουμε την πρώτη αυτοεκπαιδευόμενη 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 εκπαιδευόμενους νευρομορφικούς υπολογιστές φαίνεται και αναπόφευκτη και υποσχόμενη.

Στα λόγια του Marquardt, “Είμαστε βέβαιοι ότι οι αυτοεκπαιδευόμενες 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.

Alex McFarland

Ο Alex ηγείται των ειδησεογραφικών λειτουργιών που τροφοδοτούνται από AI της Unite.AI, συνδυάζοντας δημοσιογραφία, έρευνα και αυτοματοποίηση για την υποστήριξη έγκαιρης και κλιμακώσιμης κάλυψης της τεχνητής νοημοσύνης. Η δουλειά του βοηθά να διασφαλιστεί ότι οι αναδυόμενες εξελίξεις του AI εμφανίζονται αποτελεσματικά, διατηρώντας τα δημοσιογραφικά πρότυπα της έκδοσης.