โมเดลและแพลตฟอร์ม AI

เอไอที่มีประสิทธิภาพด้านพลังงาน: รุ่งอรุณใหม่ด้วยคอมพิวเตอร์แบบ Neuromorphic

Alex McFarland
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญการคำนวณแบบนิวโรมอร์ฟิกจำลองการประมวลผลแบบขนานของสมองเพื่อลดการใช้พลังงานของเอไออย่างมาก
ดูเพิ่มเติม
  • การคำนวณแบบนิวโรมอร์ฟิกจำลองการประมวลผลแบบขนานของสมองเพื่อลดการใช้พลังงานของเอไออย่างมาก
  • เครื่องจักรกายภาพแบบเรียนรู้ด้วยตัวเองเครื่องใหม่ฝึกฝนเอไอโดยไม่ต้องรับคำตอบกลับจากภายนอกเพื่อประสิทธิภาพที่สูงขึ้น
  • เครื่องจักรกายภาพแบบเรียนรู้ด้วยตัวเองเครื่องแรกที่ใช้งานได้จริงอาจถูกสาธิตภายในสามปี

ดินแดนของปัญญาประดิษฐ์ (AI) ที่เติบโตอย่างรวดเร็วเป็นที่รู้จักในด้านประสิทธิภาพ แต่มีค่าใช้จ่ายด้านพลังงานที่มาก มีการเสนอแนวทางใหม่โดยนักวิทยาศาสตร์ 2 คนจาก Max Planck Institute for the Science of Light ในเมือง Erlangen ประเทศเยอรมนี โดยมีเป้าหมายในการฝึกอบรม AI อย่างมีประสิทธิภาพ ซึ่งอาจปฏิวัติวิธีการประมวลผลข้อมูลของ AI

โมเดล AI ปัจจุบันใช้พลังงานจำนวนมากในการฝึกอบรม แม้ว่าตัวเลขที่แน่นอนจะไม่ชัดเจน แต่การประมาณการของ Statista ชี้ให้เห็นว่าการฝึกอบรม GPT-3 ต้องการประมาณ 1,000 เมกะวัตต์ชั่วโมง ซึ่งเทียบเท่ากับการบริโภคพลังงานของครัวเรือนขนาดใหญ่ในเยอรมนี 200 ครัวเรือนในหนึ่งปี แม้ว่าการฝึกอบรมที่ใช้พลังงานสูงนี้จะทำให้ GPT-3 มีความสามารถในการคาดการณ์ลำดับคำ แต่ก็มีความเห็นพ้องกันว่าไม่ได้เข้าใจความหมายที่แท้จริงของวลีเหล่านั้น

การประมวลผล Neuromorphic: การรวมสมองและเครื่องจักร

ในขณะที่ระบบ AI ทั่วไปอาศัยเครือข่ายประสาทเทียมดิจิทัล อนาคตอาจอยู่ที่การประมวลผล Neuromorphic Florian Marquardt ผู้อำนวยการ Max Planck Institute และศาสตราจารย์ที่ University of Erlangen ได้อธิบายถึงข้อเสียของการตั้งค่า AI แบบดั้งเดิม

“การถ่ายโอนข้อมูลระหว่างโปรเซสเซอร์และหน่วยความจำเพียงอย่างเดียวก็ใช้พลังงานจำนวนมาก” Marquardt เน้นย้ำถึงความไม่มีประสิทธิภาพเมื่อฝึกอบรมเครือข่ายประสาทเทียมขนาดใหญ่

การประมวลผล Neuromorphic ได้รับแรงบันดาลใจจากสมองมนุษย์ โดยประมวลผลข้อมูลแบบขนานมากกว่าแบบลำดับ ส่วนไซแนปส์ในสมองทำหน้าที่เป็นทั้งโปรเซสเซอร์และหน่วยความจำ ระบบที่เลียนแบบคุณลักษณะเหล่านี้ เช่น วงจรโฟโตนิกที่ใช้แสงในการคำนวณ กำลังถูกสำรวจ

การฝึกอบรม AI ด้วยเครื่องจักรทางกายภาพที่เรียนรู้ด้วยตนเอง

Marquardt และ Víctor López-Pastor นักศึกษาระดับปริญญาเอก ได้แนะนำวิธีการฝึกอบรมใหม่สำหรับคอมพิวเตอร์ Neuromorphic “เครื่องจักรทางกายภาพที่เรียนรู้ด้วยตนเอง” ของพวกเขาปรับพารามิเตอร์ขั้นพื้นฐานผ่านกระบวนการทางกายภาพที่เป็นธรรมชาติ ทำให้ไม่ต้องการข้อมูลป้อนกลับจากภายนอก “ไม่ต้องการข้อมูลป้อนกลับจากภายนอกนี้ทำให้การฝึกอบรมมีประสิทธิภาพมากขึ้น” Marquardt เน้นย้ำว่าวิธีการนี้จะช่วยประหยัดพลังงานและเวลาในการคำนวณ

อย่างไรก็ตาม เทคนิคที่เป็นนวัตกรรมใหม่นี้มีข้อกำหนดเฉพาะ กระบวนการจะต้องสามารถย้อนกลับได้ เพื่อให้แน่ใจว่ามีการสูญเสียพลังงานน้อยที่สุด และต้องมีความซับซ้อนหรือไม่เชิงเส้น “เฉพาะกระบวนการที่ไม่เชิงเส้นเท่านั้นที่สามารถดำเนินการการแปลงที่ซับซ้อนระหว่างข้อมูลเข้าและผลลัพธ์ได้” Marquardt ระบุ โดยเน้นความแตกต่างระหว่างการกระทำเชิงเส้นและไม่เชิงเส้น

การนำไปใช้จริง

งานทฤษฎีของทั้งสองคนสอดคล้องกับการใช้งานจริง โดยร่วมมือกับทีมทดลอง พวกเขากำลังพัฒนาคอมพิวเตอร์ Neuromorphic แบบออปติกที่ประมวลผลข้อมูลโดยใช้คลื่นแสงซ้อนทับกัน เป้าหมายของพวกเขาคือการนำแนวคิดเครื่องจักรทางกายภาพที่เรียนรู้ด้วยตนเองมาใช้จริง

“เราหวังว่าจะนำเสนอเครื่องจักรทางกายภาพที่เรียนรู้ด้วยตนเองเครื่องแรกในสามปี” Marquardt คาดการณ์ โดยชี้ให้เห็นว่าเครือข่ายในอนาคตจะจัดการข้อมูลได้มากขึ้นและฝึกอบรมด้วยชุดข้อมูลขนาดใหญ่กว่าระบบปัจจุบัน เมื่อพิจารณาถึงความต้องการ AI ที่เพิ่มขึ้นและความไม่มีประสิทธิภาพที่มีอยู่ในระบบปัจจุบัน การเปลี่ยนแปลงไปสู่คอมพิวเตอร์ Neuromorphic ที่ฝึกอบรมได้อย่างมีประสิทธิภาพดูเหมือนจะเป็นเรื่องที่ไม่สามารถหลีกเลี่ยงและน่าหวัง

ตามคำพูดของ Marquardt “เรามั่นใจว่าเครื่องจักรทางกายภาพที่เรียนรู้ด้วยตนเองมีโอกาสที่ดีในการพัฒนาปัญญาประดิษฐ์ต่อไป” ชุมชนวิทยาศาสตร์และผู้สนใจ AI ต่างรอคอยอย่างใจจดใจจ่อเพื่อดูว่าอนาคตจะมีอะไรบ้าง

Alex เป็นผู้นำการดำเนินงานข่าวที่ใช้ AI ของ Unite.AI โดยผสานงานวารสารศาสตร์ การวิจัย และระบบอัตโนมัติ เพื่อสนับสนุนการรายงานข่าวด้านปัญญาประดิษฐ์อย่างทันท่วงทีและรองรับการขยายงาน งานของเขาช่วยให้ความก้าวหน้าใหม่ ๆ ด้าน AI ได้รับการนำเสนออย่างมีประสิทธิภาพ พร้อมรักษามาตรฐานบรรณาธิการของสำนักพิมพ์