Фізика може революціонізувати обчислення та штучний інтелект назавжди

Відійшовши від десятиліть комп’ютерної традиції, команда дослідників з Unconventional AI розробила метод генерації зображень, який не заснований на кремнієвих чіпах та електричних струмах, що живлять сучасні системи штучного інтелекту, а радше на фундаментальних принципах фізики.

Система, яку називають Un-0, представляє собою нову філософію у розвитку штучного інтелекту: замість створення більших і більш складних комп’ютерних мереж науковці досліджують, чи можуть математичні закономірності, знайдені в природі, виконувати ту ж обчислювальну роботу, використовуючи близько 1000 раз менше енергії.

Енергія та ефективність

Системи штучного інтелекту, які домінують у технологічному ландшафті, такі як нейронні мережі, мовні моделі та алгоритми рекомендацій, потребують величезної кількості енергії для роботи.

Дані центри, які розміщують ці системи, споживають потужність, еквівалентну потужності малих міст, що викликає занепокоєння щодо екологічного впливу та довгострокової стійкості.

Дослідники вважають, що досягнення наступного значного прориву в ефективності штучного інтелекту буде вимагати фундаментально нового підходу до обробки інформації машинами.

Це розуміння спонукало науковців шукати натхнення в природі, вивчаючи біологічні та фізичні системи, які розвинулися протягом мільярдів років, щоб розв’язувати складні проблеми з вражаючою ефективністю.

Поняття зв’язаних осциляторів

У серці Un-0 лежить проста концепція, запозичена з фізики: зв’язані осцилятори.

Щоб зрозуміти це, можна уявити пару метрономів, механічних пристроїв, які музиканти використовують для підтримання ритму. Якщо два метрономи розміщені на одному столі та встановлені на різні темпи, відбувається щось дивовижне. Через коливання поверхні під ними метрономи поступово впливають один на одного, поки не синхронізуються та не починають тикати в унісон.

Ця синхронізація слідує точним математичним принципам, які вивчалися в фізиці понад століття. Взаємодія між осциляторами створює закономірності організації, які виникають без будь-якого зовнішнього керівництва чи контролю, вони організовуються самостійно.

Тепер уявіть розширення цієї концепції в тисячу разів. Замість двох метрономів уявіть тисячі осцилюючих одиниць, кожна з яких здатна впливати на кожну іншу одиницю навколо неї.

Кожен осцилятор володіє декількома властивостями: природною частотою, на якій він хоче обертатися, кутом фази, який описує його поточну позицію в циклі коливань, та з’єднаннями з кожним іншим осцилятором, які визначають, наскільки сильно кожна пара впливає одна на одну.

Ці з’єднання, які називаються коефіцієнтами зв’язку, є тим, що Un-0 вивчає під час навчання.

Ця система віддзеркалює математичні моделі, відомі як осцилятори Курamoto, названі на честь фізика Йосікі Курamoto, який вивчав такі системи десятки років тому. До недавнього часу ці моделі залишалися в основному теоретичними.

Un-0 демонструє, що вони можуть бути розширені для вирішення практичних завдань штучного інтелекту на рівні складності, який раніше вважався доменом традиційного глибинного навчання.

Продуктивність та порівняння

Тестування показало, що Un-0 досягає якості зображень, порівнянної з провідними методами генерації зображень штучного інтелекту за кілька років до того.

На стандартному бенчмарку під назвою ImageNet 64×64 система досягла якості зображення, яка збігалася з продуктивністю відомих конвенційних генераторів, коли ці системи вперше були опубліковані.

Це не означає ні поразку, ні прорив. Радше, це демонструє принцип дії: системи, засновані на фізичних динамічних процесах, можуть генерувати зображення на рівні якості, який раніше вважався ексклюзивним для глибинного навчання, деталь, яка свідчить про значний потенціал для майбутнього розвитку.

Дослідники визнають, що сучасні системи штучного інтелекту, які пройшли роки доопрацювання, все ще перевершують Un-0. Однак вони вказують на те, що конвенційні генератори зображень також починали з скромних результатів, перш ніж десятиліття оптимізації перетворили їх у сучасні інструменти.

Чому фізично-орієнтоване обчислення має значення

Значення Un-0 простягається далеко за межі генерації зображень. Системи, засновані на фізичних динамічних процесах, які виконують завдання штучного інтелекту, споживаючи тисячу разів менше енергії, ніж конвенційні підходи, мали б трансформуючі наслідки.

Такі енергозбереження могли б дозволити застосуванням штучного інтелекту працювати на мобільних пристроях, вбудованих системах та віддалених місцях без доступу до величезних центрів даних.

Крім того, ці системи могли б бути реалізовані безпосередньо у фізичній апаратурі, кремнієвих чіпах, розроблених для симуляції природних фізичних процесів, а не для виконання програмованих інструкцій. Такі “нестандартні субстрати”, як їх називають дослідники, представляли б дійсно інший тип комп’ютера.

Ширший ландшафт

Un-0 не єдина дослідницька робота, яка досліджує альтернативи конвенційним нейронним мережам.

У сфері науки та промисловості науковці досліджують системи, натхненні термодинамічними принципами, аналоговими схемами, квантовою механікою та іншими аспектами фізики.

Ці підходи мають спільну мотивацію: конвенційні підходи майже досягли своїх практичних меж щодо енергоефективності. Проривні досягнення можуть вимагати переосмислення самого обчислення.

Наукове співтовариство зайняте тим, що можна назвати великим викликом: чи можемо ми переробити системи штучного інтелекту, щоб вони відповідали принципам, які керували біологічними та фізичними системами протягом мільярдів років? Якщо це буде успішно, таке досягнення представляло б фундаментальну переоцінку того, що таке комп’ютери та як вони функціонують.

Поточні обмеження та майбутні напрямки

Система Un-0 залишається експериментальною. Вона працює на відносно скромних роздільностях зображень та ще не досягла рівня продуктивності найпередовіших сучасних систем.

Незважаючи на всі досягнення, процес навчання все ще вимагає конвенційних обчислень та значного часу для завершення.

Дослідники опублікували свою роботу прозоро, випустивши код навчання та детальний аналіз своїх результатів, що свідчить про переконання, що цей підхід представляє не пропрієтарне рішення, а новий напрям, яким можуть займатися та вдосконалювати багато дослідників.

Як системи штучного інтелекту стають дедалі центральнішими для сучасного суспільства, пошук більш ефективних підходів до обчислень переходить від академічної цікавості до практичної необхідності. Un-0 стоїть як свідчення того, що хоча б один перспективний напрям існує, і що дослідження фізично-орієнтованого штучного інтелекту тільки розпочалося.