Energi-Efisien AI: Fajar Baru Dengan Komputer Neuromorfik

Domain artificial intelligence (AI) yang tumbuh dengan cepat terkenal dengan kinerjanya, tetapi memiliki biaya energi yang substansial. Sebuah pendekatan baru, yang diajukan oleh dua ilmuwan terkemuka di Max Planck Institute for the Science of Light di Erlangen, Jerman, bertujuan untuk melatih AI dengan lebih efisien, yang berpotensi merevolusi cara AI memproses data.

Model AI saat ini mengonsumsi sejumlah besar energi selama pelatihan. Sementara angka pasti sulit diperoleh, perkiraan oleh Statista menunjukkan bahwa pelatihan GPT-3 memerlukan sekitar 1000 megawatt jam—setara dengan konsumsi tahunan 200 rumah tangga Jerman yang besar. Sementara pelatihan yang intensif ini telah menghaluskan GPT-3 untuk memprediksi urutan kata, ada kesepakatan bahwa itu belum memahami makna yang mendasarinya dari frasa tersebut.

Komputasi Neuromorfik: Menggabungkan Otak dan Mesin

Sementara sistem AI konvensional bergantung pada jaringan neural buatan digital, masa depan mungkin terletak pada komputasi neuromorfik. Florian Marquardt, direktur di Max Planck Institute dan profesor di University of Erlangen, menjelaskan kelemahan sistem AI tradisional.

“Pengiriman data antara prosesor dan memori saja mengonsumsi sejumlah besar energi,” Marquardt menekankan, menyoroti ketidakefisienan saat melatih jaringan neural yang luas.

Komputasi neuromorfik mengambil inspirasi dari otak manusia, memproses data secara paralel daripada secara berurutan. Pada dasarnya, sinapsis di otak berfungsi sebagai prosesor dan memori. Sistem yang meniru karakteristik ini, seperti sirkuit fotanik yang menggunakan cahaya untuk perhitungan, saat ini sedang dieksplorasi.

Melatih AI dengan Mesin Fisik yang Belajar Sendiri

Bekerja bersama dengan mahasiswa doktoral Víctor López-Pastor, Marquardt memperkenalkan metode pelatihan inovatif untuk komputer neuromorfik. “Mesin fisik yang belajar sendiri” mereka secara fundamental mengoptimalkan parameter melalui proses fisik bawaan, membuat umpan balik eksternal menjadi tidak diperlukan. “Tidak memerlukan umpan balik ini membuat pelatihan menjadi lebih efisien,” Marquardt menekankan, menyarankan bahwa metode ini akan menghemat energi dan waktu komputasi.

Namun, teknik ini memiliki persyaratan tertentu. Proses harus dapat dibalik, memastikan kehilangan energi minimal, dan cukup kompleks atau non-linier. “Hanya proses non-linier yang dapat melakukan transformasi yang rumit antara data input dan hasil,” Marquardt menyatakan, menarik perbedaan antara tindakan linier dan non-linier.

Menuju Implementasi Praktis

Kerja teoretis duo ini sejalan dengan aplikasi praktis. Bekerja sama dengan tim eksperimental, mereka maju dengan komputer neuromorfik optik yang memproses informasi menggunakan gelombang cahaya yang ditumpangkan. Tujuan mereka jelas: mewujudkan konsep mesin fisik yang belajar sendiri.

“Kami berharap dapat mempresentasikan mesin fisik yang belajar sendiri pertama dalam tiga tahun,” Marquardt memproyeksikan, menunjukkan bahwa jaringan masa depan ini akan menangani lebih banyak data dan dilatih dengan set data yang lebih besar daripada sistem kontemporer. Mengingat permintaan yang meningkat untuk AI dan ketidakefisienan bawaan sistem saat ini, peralihan ke komputer neuromorfik yang dilatih dengan efisien tampaknya tak terhindarkan dan menjanjikan.

Dalam kata-kata Marquardt, “Kami yakin bahwa mesin fisik yang belajar sendiri memiliki kesempatan yang solid dalam evolusi AI yang sedang berlangsung.” Masyarakat ilmiah dan penggemar AI sama-sama menunggu dengan napas tertahan apa yang akan terjadi di masa depan.