Trí tuệ nhân tạo Tiết kiệm Năng lượng: Bình minh Mới với Máy tính Neuromorphic

Realm đang phát triển nhanh của trí tuệ nhân tạo (AI) được biết đến với hiệu suất của nó nhưng có chi phí năng lượng đáng kể. Một phương pháp mới, được đề xuất bởi hai nhà khoa học hàng đầu tại Viện Max Planck về Khoa học Ánh sáng ở Erlangen, Đức, nhằm đào tạo AI hiệu quả hơn, có khả năng cách mạng hóa cách AI xử lý dữ liệu.

Các mô hình AI hiện tại tiêu thụ lượng năng lượng khổng lồ trong quá trình đào tạo. Mặc dù các con số chính xác khó tìm, ước tính của Statista cho thấy đào tạo GPT-3 yêu cầu khoảng 1000 megawatt giờ – tương đương với lượng tiêu thụ hàng năm của 200 hộ gia đình lớn ở Đức. Mặc dù quá trình đào tạo tiêu tốn năng lượng này đã tinh chỉnh GPT-3 để dự đoán các chuỗi từ, nhưng có sự đồng thuận rằng nó chưa nắm bắt được ý nghĩa vốn có của các cụm từ đó.

Máy tính Neuromorphic: Kết hợp Não và Máy

Trong khi các hệ thống AI thông thường dựa trên mạng nơ-ron nhân tạo kỹ thuật số, tương lai có thể nằm ở máy tính neuromorphic. Florian Marquardt, giám đốc tại Viện Max Planck và giáo sư tại Đại học Erlangen, đã giải thích nhược điểm của các thiết lập AI truyền thống.

“Chuyển giao dữ liệu giữa bộ xử lý và bộ nhớ alone tiêu tốn một lượng năng lượng đáng kể,” Marquardt nhấn mạnh, lưu ý đến sự không hiệu quả khi đào tạo các mạng nơ-ron rộng lớn.

Máy tính neuromorphic lấy cảm hứng từ não người, xử lý dữ liệu song song chứ không phải tuần tự. Về cơ bản, synapse trong não hoạt động như cả bộ xử lý và bộ nhớ. Các hệ thống mô phỏng các đặc điểm này, chẳng hạn như mạch quang sử dụng ánh sáng để tính toán, hiện đang được khám phá.

Đào tạo AI với Máy Vật lý Tự học

Làm việc cùng với sinh viên tiến sĩ Víctor López-Pastor, Marquardt đã giới thiệu một phương pháp đào tạo mới cho máy tính neuromorphic. “Máy vật lý tự học” của họ cơ bản tối ưu hóa các tham số của nó thông qua một quá trình vật lý vốn có, làm cho phản hồi bên ngoài trở nên dư thừa. “Không cần phản hồi này làm cho quá trình đào tạo hiệu quả hơn,” Marquardt nhấn mạnh, gợi ý rằng phương pháp này sẽ tiết kiệm cả năng lượng và thời gian tính toán.

Tuy nhiên, kỹ thuật đột phá này có các yêu cầu cụ thể. Quá trình phải có thể đảo ngược, đảm bảo tổn thất năng lượng tối thiểu, và đủ phức tạp hoặc không tuyến tính. “Chỉ có các quá trình không tuyến tính mới có thể thực hiện các biến đổi phức tạp giữa dữ liệu đầu vào và kết quả,” Marquardt tuyên bố, vẽ ra sự khác biệt giữa các hành động tuyến tính và không tuyến tính.

Hướng tới Thực hiện Thực tế

Nền tảng lý thuyết của bộ đôi này phù hợp với các ứng dụng thực tế. Hợp tác với một nhóm thí nghiệm, họ đang phát triển một máy tính neuromorphic quang học xử lý thông tin sử dụng sóng ánh sáng chồng lên nhau. Mục tiêu của họ rõ ràng: hiện thực hóa khái niệm máy vật lý tự học.

“Chúng tôi hy vọng sẽ trình bày máy vật lý tự học đầu tiên trong ba năm,” Marquardt dự đoán, cho thấy rằng các mạng này sẽ xử lý nhiều dữ liệu hơn và được đào tạo với các tập dữ liệu lớn hơn so với các hệ thống hiện tại. Dữ liệu cho thấy nhu cầu ngày càng tăng đối với AI và sự không hiệu quả vốn có của các thiết lập hiện tại, sự chuyển đổi sang máy tính neuromorphic hiệu quả có vẻ cả不可 tránh và đầy hứa hẹn.

Trong lời của Marquardt, “Chúng tôi tự tin rằng máy vật lý tự học có cơ hội vững chắc trong sự tiến hóa liên tục của trí tuệ nhân tạo.” Cộng đồng khoa học và những người hâm mộ AI đều chờ đợi với sự hồi hộp về những gì tương lai sẽ mang lại.