Fisika Dapat Mengubah Komputasi dan Kecerdasan Buatan Selamanya

Dalam sebuah perubahan dari tradisi komputasi selama beberapa dekade, tim peneliti di Unconventional AI telah mengembangkan metode untuk menghasilkan gambar yang tidak bergantung pada chip silikon dan arus listrik yang menggerakkan sistem kecerdasan buatan saat ini, melainkan pada prinsip-prinsip dasar fisika itu sendiri.

Sistem, yang disebut Un-0, mewakili filsafat yang muncul dalam pengembangan kecerdasan buatan: bukan membangun jaringan komputer yang lebih besar dan lebih kompleks, para ilmuwan sedang menjelajahi apakah pola matematika yang ditemukan di alam dapat melakukan pekerjaan komputasi yang sama sambil menggunakan sekitar 1000 kali lebih sedikit energi.

Energi dan Efisiensi

Sistem kecerdasan buatan yang telah mendominasi lanskap teknologi, seperti jaringan saraf, model bahasa, dan algoritma rekomendasi, memerlukan sejumlah besar energi untuk beroperasi.

Pusat data yang menampung sistem ini mengonsumsi daya yang setara dengan daya kota kecil, meningkatkan kekhawatiran tentang dampak lingkungan dan keberlanjutan jangka panjang.

Para peneliti memperkirakan bahwa mencapai terobosan besar berikutnya dalam efisiensi kecerdasan buatan akan memerlukan pendekatan yang secara fundamental berbeda terhadap cara mesin memproses informasi.

Hal ini telah mendorong para ilmuwan untuk mencari inspirasi dari alam, memeriksa sistem biologis dan fisik yang telah berkembang selama berabad-abad untuk memecahkan masalah kompleks dengan efisiensi yang luar biasa.

Memahami Osilator Terkait

Di jantung Un-0 terdapat konsep yang sederhana namun menarik dari fisika: osilator terkait.

Untuk memahami ini, kita dapat membayangkan sepasang metronom, perangkat mekanis yang digunakan musisi untuk menjaga irama. Jika dua metronom ditempatkan di atas meja yang sama dan disetel ke tempo yang berbeda, sesuatu yang luar biasa terjadi. Melalui getaran di permukaan di bawahnya, metronom secara bertahap memengaruhi satu sama lain sampai akhirnya mereka jatuh ke dalam sinkronisasi, berdetak bersamaan.

Sinkronisasi ini mengikuti prinsip matematika yang presisi yang telah dipelajari dalam fisika selama lebih dari satu abad. Interaksi antara osilator menciptakan pola organisasi yang muncul tanpa arahan atau kontrol eksternal, mereka mengatur diri sendiri.

Sekarang, bayangkan konsep ini diperluas secara dramatis. Bukan dua metronom, bayangkan ribuan unit osilasi, masing-masing dapat memengaruhi setiap unit lain di sekitarnya.

Setiap osilator memiliki beberapa sifat: frekuensi alami di mana ia ingin berputar, sudut fase yang menjelaskan posisinya saat ini dalam siklus osilasi, dan koneksi ke setiap osilator lain yang menentukan seberapa kuat setiap pasangan memengaruhi satu sama lain.

Koneksi ini, yang disebut kekuatan pengikatan, adalah aspek yang dipelajari oleh Un-0 selama pelatihan.

Sistem ini mencerminkan model matematika yang dikenal sebagai osilator Kuramoto, dinamai dari fisikawan Yoshiki Kuramoto yang mempelajari sistem seperti ini beberapa dekade yang lalu. Sampai baru-baru ini, model ini tetap sebagian besar teoretis.

Un-0 menunjukkan bahwa mereka dapat diperbesar untuk menangani masalah kecerdasan buatan yang praktis pada tingkat kesophistikasi yang sebelumnya dianggap sebagai domain pembelajaran dalam.

Performa dan Perbandingan

Pengujian telah menunjukkan bahwa Un-0 mencapai kualitas gambar yang setara dengan metode generasi gambar kecerdasan buatan terkemuka beberapa tahun yang lalu.

Pada benchmark standar yang disebut ImageNet 64×64, sistem mencapai skor kualitas yang sesuai dengan kinerja generator konvensional saat sistem tersebut pertama kali dipublikasikan.

Hal ini tidak berarti kekalahan atau terobosan. Namun, ini menunjukkan bukti prinsip: sistem yang berbasis pada dinamika fisik dapat menghasilkan gambar dengan kualitas yang sebelumnya dianggap eksklusif untuk pembelajaran dalam, detail yang menunjukkan potensi besar untuk pengembangan di masa depan.

Para peneliti mengakui bahwa sistem mutakhir saat ini, yang telah menjalani tahun-tahun pengoptimalan, masih outperform Un-0. Namun, mereka menunjukkan bahwa generator gambar konvensional juga dimulai dengan hasil yang sederhana sebelum dekade pengoptimalan mengubahnya menjadi alat yang canggih saat ini.

Mengapa Komputasi Berbasis Fisika Penting

Signifikansi Un-0 meluas jauh melampaui generasi gambar. Sistem yang berbasis pada dinamika fisik melakukan tugas kecerdasan buatan sambil mengonsumsi sekitar 1000 kali lebih sedikit energi daripada pendekatan konvensional, implikasinya akan sangat transformatif.

Keuntungan efisiensi seperti itu dapat memungkinkan aplikasi kecerdasan buatan untuk berjalan pada perangkat mobile, sistem tertanam, dan lokasi terpencil tanpa akses ke pusat data besar.

Lebih lanjut, sistem seperti ini mungkin pada akhirnya dapat diimplementasikan langsung dalam perangkat keras fisik, chip silikon yang dirancang untuk mensimulasikan proses fisik alami daripada menjalankan instruksi yang diprogram. “Substrat tidak konvensional” seperti itu, sebagaimana disebut oleh para peneliti, akan mewakili jenis komputer yang benar-benar berbeda.

Lanskap yang Lebih Luas

Un-0 bukanlah satu-satunya upaya penelitian yang menjelajahi alternatif dari jaringan saraf konvensional.

Di seluruh akademisi dan industri, para ilmuwan sedang menyelidiki sistem yang terinspirasi dari prinsip termodinamika, sirkuit analog, mekanika kuantum, dan aspek fisika lainnya.

Pendekatan ini berbagi motivasi yang sama: pendekatan konvensional hampir mencapai batas praktis dalam hal efisiensi energi. Terobosan kemajuan mungkin memerlukan pemikiran ulang tentang komputasi itu sendiri.

Komunitas penelitian terlibat dalam apa yang mungkin disebut sebagai tantangan besar: dapatkah kita merancang ulang sistem kecerdasan buatan untuk selaras dengan prinsip yang telah mengatur sistem biologis dan fisik selama miliaran tahun? Jika berhasil, prestasi seperti itu akan mewakili konsepsi ulang tentang apa itu komputer dan bagaimana mereka berfungsi.

Batasan Saat Ini dan Arah Masa Depan

Sistem Un-0 masih eksperimental. Ini beroperasi pada resolusi gambar yang relatif sederhana dan belum mencapai tingkat kinerja sistem mutakhir saat ini.

Meskipun semua kemajuan yang telah dicapai, proses pelatihan masih memerlukan komputasi konvensional dan waktu substantial untuk menyelesaikannya.

Para peneliti telah menerbitkan karya mereka secara transparan, merilis kode pelatihan, dan analisis rinci tentang temuan mereka, mencerminkan keyakinan bahwa pendekatan ini mewakili arah baru yang dapat dijelajahi dan diperbarui oleh banyak peneliti.

Seiring sistem kecerdasan buatan menjadi semakin sentral dalam masyarakat modern, pencarian untuk pendekatan komputasi yang lebih efisien bergerak dari rasa ingin tahu akademis ke kebutuhan praktis. Un-0 berdiri sebagai bukti bahwa setidaknya satu arah yang menjanjikan ada, dan bahwa penyelidikan kecerdasan buatan berbasis fisika baru saja dimulai.