Kecerdasan Buatan yang Hemat Energi: Fajar Baru dengan Komputer Neuromorfik

Domain kecerdasan buatan (AI) yang tumbuh pesat terkenal karena kinerjanya, tetapi memiliki biaya energi yang substansial. Suatu pendekatan baru, yang diajukan oleh dua ilmuwan terkemuka di Max Planck Institute for the Science of Light di Erlangen, Jerman, bertujuan untuk melatih AI 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 energi ini telah menghaluskan GPT-3 untuk memprediksi urutan kata, ada kesepakatan bahwa itu belum memahami makna inheren dari frasa tersebut.

Komputasi Neuromorfik: Menggabungkan Otak dan Mesin

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

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

Komputasi neuromorfik mengambil inspirasi dari otak manusia, memproses data secara paralel bukan secara berurutan. Pada dasarnya, sinapsis di otak berfungsi sebagai prosesor dan memori. Sistem yang meniru karakteristik ini, seperti sirkuit fotonik 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 tidak diperlukan. “Tidak memerlukan umpan balik ini membuat pelatihan jauh lebih efisien,” Marquardt menekankan, menyarankan bahwa metode ini akan menghemat energi dan waktu komputasi.

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

Menuju Implementasi Praktis

Landasan teori duo ini sejalan dengan aplikasi praktis. Bekerja sama dengan tim eksperimental, mereka memajukan komputer neuromorfik optik yang memproses informasi menggunakan gelombang cahaya yang saling menguatkan. 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 dari pengaturan 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 kecerdasan buatan yang berkelanjutan.” Masyarakat ilmiah dan penggemar AI sama-sama menantikan dengan penuh harap apa yang akan terjadi di masa depan.