Енерго-ефективний AI: Нова Ера З Нейроморфними Комп’ютерами

Швидко зростаюча сфера штучного інтелекту (AI) відома своєю продуктивністю, але має суттєву енергетичну ціну. Новий підхід, запропонований двома провідними вченими в Інституті Макса Планка з науки про світло в Ерлангені, Німеччина, спрямований на більш ефективне навчання AI, що потенційно може революціонізувати спосіб обробки даних AI.

Поточні моделі AI споживають велику кількість енергії під час навчання. Хоча точні цифри відсутні, оцінки Statista свідчать, що навчання GPT-3 вимагає приблизно 1000 мегават-годин – що еквівалентно річному споживанню 200 великих німецьких домогосподарств. Хоча це енергозатратне навчання дозволило GPT-3 передбачити послідовності слів, існує консенсус, що воно не зрозуміло суттєвого значення таких фраз.

Нейроморфний Обчислювання: Злиття Мозку та Машини

Традиційні системи AI спираються на цифрові штучні нейронні мережі, але майбутнє може лежати в нейроморфному обчислюванні. Флоріан Марквардт, директор Інституту Макса Планка та професор Університету Ерлангена, висвітлив недоліки традиційних налаштувань AI.

“Само собою перехід даних між процесором і пам’яттю споживає суттєву кількість енергії”, – підкреслив Марквардт, звернувши увагу на неефективність під час навчання великих нейронних мереж.

Нейроморфне обчислювання черпає натхнення з людського мозку, обробляючи дані паралельно, а не послідовно. По суті, синапси в мозку функціонують як процесор і пам’ять. Системи, що імітують ці характеристики, такі як фотонні схеми, які використовують світло для обчислень, зараз досліджуються.

Навчання AI з Самонавчальними Фізичними Машинами

Працюючи разом з докторантом Віктором Лопес-Пастором, Марквардт представив інноваційний метод навчання для нейроморфних комп’ютерів. Їх “самонавчальна фізична машина” фундаментально оптимізує свої параметри через внутрішній фізичний процес, роблячи зовнішню зворотню зв’язок зайвим. “Не потребуючи цієї зворотної зв’язку, навчання стає значно більш ефективним”, – підкреслив Марквардт, припускаючи, що цей метод збереже як енергію, так і час обчислень.

Все ж, цей новаторський підхід має певні вимоги. Процес повинен бути оборотним, забезпечуючи мінімальну втрату енергії, і достатньо складним або нелінійним. “Тільки нелінійні процеси можуть виконувати складні перетворення між вхідними даними та результатами”, – зазначив Марквардт, проводячи різницю між лінійними та нелінійними діями.

У Бік Практичної Реалізації

Теоретична робота дуету збігається з практичними застосуваннями. Співпрацюючи з експериментальною командою, вони просунули оптичний нейроморфний комп’ютер, який обробляє інформацію за допомогою накладених світлових хвиль. Їхня мета ясна: втілення концепції самонавчальної фізичної машини.

“Ми сподіваємося представити першу самонавчальну фізичну машину за три роки”, – передбачив Марквардт, вказуючи, що ці майбутні мережі будуть обробляти більше даних і навчатися на більших наборах даних, ніж сучасні системи. Враховуючи зростаючі вимоги до AI та вбудовані неефективності поточних налаштувань, перехід до ефективно навчених нейроморфних комп’ютерів здається як неминучим, так і перспективним.

У словах Марквардта, “Ми впевнені, що самонавчальні фізичні машини мають солідний шанс у подальшій еволюції штучного інтелекту”. Наукове співтовариство та ентузіасти AI чекають з нетерпінням, чого ждать майбутнє.