Физика может революционизировать вычисления и искусственный интеллект навсегда

Отклоняясь от десятилетней традиции вычислений, команда исследователей из Unconventional AI разработала метод генерации изображений, который основан не на кремниевых чипах и электрических токах, которые запитывают современные системы искусственного интеллекта, а на фундаментальных принципах физики.

Система, называемая Un-0, представляет собой новую философию в разработке искусственного интеллекта: вместо того, чтобы строить более крупные и сложные компьютерные сети, ученые исследуют, могут ли математические закономерности, найденные в природе, выполнять ту же вычислительную работу, используя примерно в 1000 раз меньше энергии.

Энергия и эффективность

Системы искусственного интеллекта, которые доминировали в технологическом ландшафте, такие как нейронные сети, языковые модели и алгоритмы рекомендаций, требуют огромных количеств энергии для работы.

Центры обработки данных, в которых размещены эти системы, потребляют энергию, эквивалентную энергопотреблению небольших городов, что вызывает обеспокоенность по поводу воздействия на окружающую среду и долгосрочной устойчивости.

Исследователи считают, что достижение следующего значительного прорыва в эффективности искусственного интеллекта потребует принципиально нового подхода к обработке информации машинами.

Это осознание заставило ученых обратиться к природе за вдохновением, изучая биологические и физические системы, которые эволюционировали за миллионы лет, чтобы решать сложные проблемы с замечательной эффективностью.

Понимание связанных осцилляторов

В основе Un-0 лежит, казалось бы, простая концепция, заимствованная из физики: связанные осцилляторы.

Чтобы понять это, можно представить себе пару метрономов, механических устройств, которые музыканты используют для поддержания ритма. Если два метронома помещены на один стол и установлены на разные темпы, происходит что-то замечательное. Через вибрации поверхности под ними метрономы постепенно влияют друг на друга, пока в конечном итоге не приходят в синхронизацию, тикая в унисон.

Эта синхронизация следует точным математическим принципам, которые изучались в физике более века. Взаимодействие между осцилляторами создает закономерности организации, которые возникают без внешнего руководства или контроля, они организуют себя сами.

Теперь представьте себе расширение этой концепции в значительной степени. Вместо двух метрономов представьте себе тысячи осцилляторных единиц, каждая из которых может влиять на каждую другую единицу вокруг нее.

Каждый осциллятор обладает несколькими свойствами: естественной частотой, на которой он хочет вращаться, фазовым углом, который описывает его текущее положение в цикле колебаний, и связями с каждым другим осциллятором, которые определяют, насколько сильно каждая пара влияет друг на друга.

Эти связи, называемые силами связи, являются аспектами, которые Un-0 изучает во время обучения.

Эта система отражает математические модели, известные как осцилляторы Курamoto, названные в честь физика Ёсики Курamoto, который изучал такие системы десятилетия назад. До недавнего времени эти модели оставались в основном теоретическими.

Un-0 демонстрирует, что они могут быть масштабированы для решения практических задач искусственного интеллекта на уровне сложности, ранее считавшемся domaine глубокого обучения.

Производительность и сравнение

Тестирование показало, что Un-0 достигает качества изображений, сопоставимого с ведущими методами генерации изображений искусственного интеллекта несколько лет назад.

На стандартном бенчмарке под названием ImageNet 64×64 система достигла балла качества, сопоставимого с производительностью известных конвенциональных генераторов, когда эти системы были впервые опубликованы.

Это представляет собой ни поражение, ни прорыв. Скорее, это демонстрирует принцип доказательства: системы, основанные на физических динамических процессах, могут генерировать изображения на уровне качества, ранее считавшемся эксклюзивным для глубокого обучения, деталь, которая предполагает значительный потенциал для будущего развития.

Исследователи признают, что современные системы, которые прошли годы совершенствования, все еще превосходят Un-0. Однако они указывают на то, что конвенциональные генераторы изображений также начинали с скромных результатов, прежде чем десятилетия оптимизации превратили их в современные сложные инструменты.

Почему физические вычисления имеют значение

Значимость Un-0 распространяется далеко за пределы генерации изображений. Системы, основанные на физических динамических процессах, выполняющие задачи искусственного интеллекта, используя примерно в 1000 раз меньше энергии, чем конвенциональные подходы, последствия будут трансформационными.

Такие выигрыши в эффективности могли бы позволить приложениям искусственного интеллекта работать на мобильных устройствах, встроенных системах и удаленных местах без доступа к огромным центрам обработки данных.

Кроме того, эти системы могут быть в конечном итоге реализованы直接 в физическом оборудовании, кремниевых чипах, предназначенных для模拟 природных физических процессов, а не выполнения запрограммированных инструкций. Такие “неконвенциональные субстраты”, как их называют исследователи, представляли бы по-настоящему другой вид компьютера.

Более широкий ландшафт

Un-0 не является единственной исследовательской работой, изучающей альтернативы конвенциональным нейронным сетям.

По всей академии и промышленности ученые исследуют системы, вдохновленные термодинамическими принципами, аналоговыми цепями, квантовой механикой и другими аспектами физики.

Эти подходы имеют общую мотивацию: конвенциональные подходы почти достигли своих практических пределов с точки зрения энергоэффективности. Прорывные достижения могут потребовать переосмысления вычислений самих по себе.

Исследовательское сообщество участвует в том, что можно назвать грандиозным вызовом: можем ли мы переработать системы искусственного интеллекта, чтобы они соответствовали принципам, которые управляли биологическими и физическими системами в течение миллиардов лет? Если это будет успешно, такое достижение будет представлять собой фундаментальную реконцепцию того, что такое компьютеры и как они функционируют.

Текущие ограничения и будущие направления

Система Un-0 остается экспериментальной. Она работает на относительно скромных разрешениях изображений и еще не достигла уровня производительности самых передовых современных систем.

Несмотря на все достигнутые успехи, процесс обучения все еще требует конвенциональных вычислений и значительного времени для завершения.

Исследователи опубликовали свою работу прозрачно, выпустив код обучения и подробный анализ своих результатов, отражая убеждение, что этот подход представляет собой не проприетарное решение, а новое направление, которое многие исследователи могут изучать и совершенствовать.

По мере того, как системы искусственного интеллекта становятся все более центральными в современном обществе, поиск более эффективных подходов к вычислениям переходит от академического любопытства к практической необходимости. Un-0 стоит как доказательство того, что хотя бы одно перспективное направление существует, и что исследование физических основ искусственного интеллекта только началось.