Intelligenza Artificiale a Basso Consumo Energetico: Una Nuova Era con i Computer Neuromorfici

Il rapido sviluppo del settore dell’intelligenza artificiale (AI) è noto per le sue prestazioni, ma comporta un costo energetico sostanziale. Un approccio innovativo, proposto da due scienziati di spicco dell’Istituto Max Planck per la Scienza della Luce di Erlangen, in Germania, mira a formare l’AI in modo più efficiente, potenzialmente rivoluzionando il modo in cui l’AI elabora i dati.

I modelli di intelligenza artificiale attuali consumano enormi quantità di energia durante la formazione. Sebbene le cifre precise siano elusive, le stime di Statista suggeriscono che la formazione di GPT-3 richieda circa 1000 megawatt ore – equivalente al consumo annuo di 200 famiglie tedesche di medie dimensioni. Sebbene questa formazione ad alta intensità di energia abbia affinato GPT-3 per prevedere le sequenze di parole, c’è un consenso sul fatto che non abbia compreso i significati intrinseci di tali frasi.

Calcolo Neuromorfico: Unione di Cervello e Macchina

Mentre i sistemi di intelligenza artificiale convenzionali si basano su reti neurali artificiali digitali, il futuro potrebbe risiedere nel calcolo neuromorfico. Florian Marquardt, direttore dell’Istituto Max Planck e professore all’Università di Erlangen, ha spiegato il limite dei tradizionali sistemi di intelligenza artificiale.

“Il trasferimento di dati tra processore e memoria da solo consuma una quantità significativa di energia”, ha sottolineato Marquardt, notando l’inefficienza quando si formano vasti network neurali.

Il calcolo neuromorfico trae ispirazione dal cervello umano, elaborando i dati in parallelo anziché in sequenza. In sostanza, le sinapsi nel cervello funzionano sia come processore che come memoria. Sistemi che imitano queste caratteristiche, come ad esempio i circuiti fotonici che utilizzano la luce per i calcoli, sono attualmente in fase di esplorazione.

Formazione di AI con Macchine Fisiche Autodidatte

Lavorando insieme allo studente di dottorato Víctor López-Pastor, Marquardt ha introdotto un metodo di formazione innovativo per i computer neuromorfici. La loro “macchina fisica autodidatta” ottimizza fondamentalmente i parametri attraverso un processo fisico intrinseco, rendendo superfluo il feedback esterno. “Non richiedere questo feedback rende la formazione molto più efficiente”, ha enfatizzato Marquardt, suggerendo che questo metodo risparmierebbe sia energia che tempo di calcolo.

Tuttavia, questa tecnica innovativa ha requisiti specifici. Il processo deve essere reversibile, garantendo una perdita di energia minima, e sufficientemente complesso o non lineare. “Solo i processi non lineari possono eseguire le trasformazioni intricate tra dati di input e risultati”, ha affermato Marquardt, tracciando una distinzione tra azioni lineari e non lineari.

Verso l’Implementazione Pratica

Il lavoro teorico della coppia si allinea con le applicazioni pratiche. Collaborando con un team sperimentale, stanno sviluppando un computer neuromorfico ottico che elabora le informazioni utilizzando onde luminose sovrapposte. Il loro obiettivo è chiaro: realizzare il concetto di macchina fisica autodidatta.

“Speriamo di presentare la prima macchina fisica autodidatta in tre anni”, ha previsto Marquardt, indicando che queste future reti gestiranno più dati e saranno formate con set di dati più grandi rispetto ai sistemi contemporanei. Data la crescente domanda di intelligenza artificiale e le inefficienze intrinseche degli attuali sistemi, il passaggio verso computer neuromorfici efficienti sembra sia inevitabile che promettente.

Secondo le parole di Marquardt, “Siamo fiduciosi che le macchine fisiche autodidatte abbiano una solida possibilità nell’evoluzione in corso dell’intelligenza artificiale”. La comunità scientifica e gli appassionati di intelligenza artificiale aspettano con ansia ciò che il futuro riserva.