Энергоэффективный ИИ: Новый Рассвет С Неуроморфными Компьютерами

Быстро растущая область искусственного интеллекта (ИИ) известна своей производительностью, но имеет значительную энергоёмкость. Новый подход, предложенный двумя ведущими учеными в Институте Макса Планка по науке о свете в Эрлангене, Германия, направлен на более эффективную тренировку ИИ, что потенциально может революционизировать способ обработки данных ИИ.

Текущие модели ИИ потребляют огромные количества энергии во время тренировки. Хотя точные цифры не доступны, оценки Statista предполагают, что тренировка GPT-3 требует примерно 1000 мегаватт-часов – что эквивалентно годовому потреблению 200 крупных немецких домохозяйств. Хотя эта энергозатратная тренировка позволила GPT-3 предсказывать последовательности слов, существует консенсус, что он не понимает внутренних значений таких фраз.

Неуроморфные вычисления: Слияние мозга и машины

В то время как традиционные системы ИИ полагаются на цифровые искусственные нейронные сети, будущее может лежать в неуроморфных вычислениях. Флорян Маркварт, директор Института Макса Планка и профессор Университета Эрлангена, объяснил недостаток традиционных настроек ИИ.

“Само передача данных между процессором и памятью потребляет значительное количество энергии”, – подчеркнул Маркварт, отметив неэффективность при тренировке огромных нейронных сетей.

Неуроморфные вычисления черпают вдохновение из человеческого мозга, обрабатывая данные параллельно, а не последовательно. По сути, синапсы в мозге функционируют как процессор и память. Системы, имитирующие эти характеристики, такие как фотонные цепи, использующие свет для вычислений, в настоящее время исследуются.

Тренировка ИИ с помощью самообучающихся физических машин

Работая вместе с аспирантом Виктором Лопес-Пастором, Маркварт представил инновационный метод тренировки неуроморфных компьютеров. Его “самообучающаяся физическая машина” фундаментально оптимизирует свои параметры через внутренний физический процесс, делая внешнюю обратную связь излишней. “Не требуя этой обратной связи, делает тренировку намного более эффективной”, – подчеркнул Маркварт, предполагая, что этот метод сэкономит как энергию, так и время вычислений.

Однако этот революционный метод имеет определенные требования. Процесс должен быть обратимым, гарантируя минимальную потерю энергии, и достаточно сложным или нелинейным. “Только нелинейные процессы могут выполнять сложные преобразования между входными данными и результатами”, – заявил Маркварт, проводя различие между линейными и нелинейными действиями.

К практической реализации

Теоретическая основа дуэта соответствует практическим приложениям. Сотрудничая с экспериментальной командой, они продвигают оптический неуроморфный компьютер, который обрабатывает информацию с помощью наложенных световых волн. Их цель rõка: реализация концепции самообучающейся физической машины.

“Мы надеемся представить первую самообучающуюся физическую машину в течение трех лет”, – прогнозировал Маркварт, указывая на то, что эти будущие сети будут обрабатывать больше данных и тренироваться на более крупных наборах данных, чем современные системы. Учитывая растущий спрос на ИИ и внутренние неэффективности текущих настроек, сдвиг в сторону эффективно обучаемых неуроморфных компьютеров кажется как неизбежным, так и перспективным.

По словам Маркварта, “Мы уверены, что самообучающиеся физические машины имеют прочный шанс в продолжающейся эволюции искусственного интеллекта”. Научное сообщество и энтузиасты ИИ ждут с затаенным дыханием, что принесет будущее.