Энергоэффективный ИИ: новая эра с нейроморфными компьютерами

Быстро растущая область искусственного интеллекта (ИИ) известна своей производительностью, но требует значительных энергетических затрат. Новый подход, предложенный двумя ведущими учеными из Института науки о свете Макса Планка в Эрлангене, Германия, направлен на более эффективную тренировку ИИ, что потенциально может революционизировать способ обработки данных.

Текущие модели ИИ потребляют огромное количество энергии во время тренировки. Хотя точные цифры отсутствуют, 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 она не понимает внутренних значений таких фраз.

Нейроморфные вычисления: слияние мозга и машины

В то время как традиционные системы ИИ полагаются на цифровые искусственные нейронные сети, будущее может лежать в области нейроморфных вычислений. Флорян Марквардт, директор Института Макса Планка и профессор Университета Эрлангена, объяснил недостатки традиционных систем ИИ.

“Передача данных между процессором и памятью alone потребляет значительное количество энергии”, – подчеркнул Марквардт, отметив неэффективность при тренировке огромных нейронных сетей.

Нейроморфные 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 находятся в стадии разработки.

Тренировка ИИ с помощью самообучающихся физических машин

Работая вместе с докторантом Виктором Лопес-Пастором, Марквардт представил инновационный метод тренировки нейроморфных компьютеров. Его “самообучающаяся физическая машина” фундаментально оптимизирует свои параметры посредством внутреннего физического процесса, что делает внешнюю обратную связь излишней. “Не требуя этой обратной связи, делает тренировку намного более эффективной”, – подчеркнул Марквардт, предполагая, что этот метод сэкономит как энергию, так и время вычислений.

Однако этот прорывной 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 Марквардт, проводя различие между линейными и нелинейными действиями.

На пути к практической реализации

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

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

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