Inteligência Artificial Eficiente em Energia: Um Novo Amanhecer Com Computadores Neuromórficos

O domínio em rápida expansão da inteligência artificial (AI) é renomado por seu desempenho, mas vem com um custo energético substancial. Uma abordagem nova, proposta por dois cientistas líderes no Max Planck Institute for the Science of Light em Erlangen, Alemanha, visa treinar a IA de forma mais eficiente, potencialmente revolucionando a forma como a IA processa dados.

Atuais modelos de IA consomem vastas quantidades de energia durante o treinamento. Embora os números exatos sejam difíceis de determinar, estimativas da Statista sugerem que o treinamento do GPT-3 requer aproximadamente 1000 megawatt horas — equivalente ao consumo anual de 200 residências alemãs de tamanho considerável. Embora esse treinamento intensivo em energia tenha aprimorado o GPT-3 para prever sequências de palavras, há consenso de que ele não compreendeu os significados inerentes de tais frases.

Computação Neuromórfica: Mesclando Cérebro e Máquina

Enquanto sistemas de IA convencionais confiam em redes neurais artificiais digitais, o futuro pode estar na computação neuromórfica. Florian Marquardt, diretor do Max Planck Institute e professor da Universidade de Erlangen, elucidou a desvantagem dos conjuntos tradicionais de IA.

“A transferência de dados entre processador e memória sozinha consome uma quantidade significativa de energia”, Marquardt destacou, notando as ineficiências ao treinar vastas redes neurais.

A computação neuromórfica se inspira no cérebro humano, processando dados paralelamente em vez de sequencialmente. Basicamente, sinapses no cérebro funcionam como processador e memória. Sistemas que imitam essas características, como circuitos fotônicos que utilizam luz para cálculos, estão atualmente em exploração.

Treinando IA com Máquinas Físicas de Aprendizado Autônomo

Trabalhando ao lado do estudante de doutorado Víctor López-Pastor, Marquardt introduziu um método inovador de treinamento para computadores neuromórficos. Sua “máquina física de aprendizado autônomo” fundamentalmente otimiza seus parâmetros por meio de um processo físico inerente, tornando o feedback externo redundante. “Não requerer esse feedback torna o treinamento muito mais eficiente”, Marquardt enfatizou, sugerindo que esse método economizaria tanto energia quanto tempo de computação.

No entanto, essa técnica revolucionária tem requisitos específicos. O processo deve ser reversível, garantindo perda mínima de energia, e suficientemente complexo ou não linear. “Apenas processos não lineares podem executar as transformações intricadas entre dados de entrada e resultados”, Marquardt afirmou, traçando uma distinção entre ações lineares e não lineares.

Rumo à Implementação Prática

O trabalho teórico da dupla se alinha com aplicações práticas. Em colaboração com uma equipe experimental, eles estão avançando em um computador neuromórfico óptico que processa informações usando ondas de luz superpostas. Seu objetivo é claro: concretizar o conceito de máquina física de aprendizado autônomo.

“Esperamos apresentar a primeira máquina física de aprendizado autônomo em três anos”, projetou Marquardt, indicando que essas redes futuras lidariam com mais dados e seriam treinadas com conjuntos de dados maiores do que os sistemas contemporâneos. Dada a crescente demanda por IA e as ineficiências inerentes aos conjuntos atuais, a mudança para computadores neuromórficos treinados de forma eficiente parece tanto inevitável quanto promissora.

Em palavras de Marquardt, “Estamos confiantes de que máquinas físicas de aprendizado autônomo têm uma boa chance na evolução contínua da inteligência artificial.” A comunidade científica e os entusiastas da IA aguardam com ansiedade o que o futuro reserva.