Energiooszczędna Sztuczna Inteligencja: Nowy Świt z Komputerami Neuromorficznymi

Szybko rozwijający się obszar sztucznej inteligencji (AI) jest słynny ze swojej wydajności, ale wymaga znacznych nakładów energetycznych. Nowy podejście, zaproponowane przez dwóch wiodących naukowców z Max Planck Institute for the Science of Light w Erlangen, Niemczech, ma na celu bardziej efektywne szkolenie AI, potencjalnie rewolucjonizując sposób, w jaki AI przetwarza dane.

Obecne modele AI zużywają ogromne ilości energii podczas szkolenia. Chociaż dokładne dane są trudne do ustalenia, szacunki Statisty sugerują, że szkolenie GPT-3 wymaga około 1000 megawatogodzin – co jest równoważne z rocznym zużyciem 200 dużych gospodarstw domowych w Niemczech. Chociaż to energie-intensywne szkolenie doprowadziło do tego, że GPT-3 może przewidywać sekwencje słów, istnieje zgoda, że nie zrozumiało ono wewnętrznych znaczeń tych fraz.

Obliczenia Neuromorficzne: Połączenie Mózgu i Maszyny

Podczas gdy konwencjonalne systemy AI opierają się na cyfrowych sztucznych sieciach neuronowych, przyszłość może leżeć w obliczeniach neuromorficznych. Florian Marquardt, dyrektor w Max Planck Institute i profesor na Uniwersytecie w Erlangen, wyjaśnił wadę tradycyjnych układów AI.

“Sam transfer danych między procesorem a pamięcią zużywa znaczną ilość energii”, podkreślił Marquardt, zwracając uwagę na nieefektywność podczas szkolenia ogromnych sieci neuronowych.

Obliczenia neuromorficzne czerpią inspirację z ludzkiego mózgu, przetwarzając dane równolegle, a nie sekwencyjnie. Podstawowo, synapsy w mózgu funkcjonują jako procesor i pamięć. Systemy naśladujące te cechy, takie jak obwody fotoniczne wykorzystujące światło do obliczeń, są obecnie badane.

Szkolenie AI z Samouczącymi Się Maszynami Fizycznymi

Pracując wraz z doktorantem Víctorem López-Pastorem, Marquardt wprowadził innowacyjną metodę szkolenia komputerów neuromorficznych. Jego “samoucząca się maszyna fizyczna” podstawowo optymalizuje swoje parametry za pomocą wewnętrznego procesu fizycznego, czyniąc zewnętrzną informację zwrotną zbędną. “Nie wymaganie tej informacji zwrotnej sprawia, że szkolenie jest znacznie bardziej efektywne”, podkreślił Marquardt, sugerując, że ta metoda zaoszczędzi zarówno energię, jak i czas obliczeniowy.

Jednak ta przełomowa technika ma określone wymagania. Proces musi być odwracalny, zapewniając minimalne straty energii, i wystarczająco złożony lub nieliniowy. “Tylko procesy nieliniowe mogą wykonywać skomplikowane transformacje między danymi wejściowymi a wynikami”, stwierdził Marquardt, rysując różnicę między działaniami liniowymi i nieliniowymi.

Ku Praktycznej Implementacji

Teoretyczne podstawy duetu są zgodne z aplikacjami praktycznymi. Współpracując z zespołem eksperymentalnym, rozwijają one optyczny komputer neuromorficzny, który przetwarza informacje za pomocą nakładanych fal świetlnych. Ich celem jest jasny: zrealizowanie koncepcji samouczącej się maszyny fizycznej.

“Mamy nadzieję, że będziemy mogli przedstawić pierwszą samouczącą się maszynę fizyczną w ciągu trzech lat”, przewidział Marquardt, wskazując, że te przyszłe sieci będą mogły obsłużyć więcej danych i być szkolone z większymi zbiorami danych niż współczesne systemy. Biorąc pod uwagę rosnące zapotrzebowanie na AI i wewnętrzne nieefektywności obecnych układów, przesunięcie w kierunku efektywnie szkolonych komputerów neuromorficznych wydaje się zarówno nieuniknione, jak i obiecujące.

W słowach Marquardta, “Jesteśmy przekonani, że samouczące się maszyny fizyczne mają szansę w trwającej ewolucji sztucznej inteligencji”. Środowisko naukowe i entuzjaści AI czekają z zapartym tchem, co przyniesie przyszłość.