能源高效人工智能：基于神经形态计算的新时代

人工智能（AI）的快速发展以其性能著称，但也付出了巨大的能耗代价。德国埃朗根的马克斯·普朗克光学科学研究所的两位领先科学家提出了一个新方法，旨在更高效地训练AI，可能会改变AI处理数据的方式。

当前的AI模型在训练过程中消耗了大量的能量。虽然确切的数字难以估计，但根据Statista的估计，GPT-3的训练需要大约1000兆瓦时的电力——相当于200个典型的德国家庭一年所消耗的电力。虽然这种能量密集的训练已经使GPT-3能够预测单词序列，但人们普遍认为，它并没有真正理解这些短语的含义。

神经形态计算：融合大脑和机器

虽然传统的AI系统依赖于数字人工神经网络，但未来可能在于神经形态计算。马克斯·普朗克研究所的主任、埃朗根大学教授弗洛里安·马尔库特（Florian Marquardt）解释了传统AI设置的缺点。

“仅仅是处理器和内存之间的数据传输就消耗了大量的能量，” 马尔库特强调了训练大型神经网络的低效率。

神经形态计算从人类大脑中汲取灵感，采用并行处理数据的方式，而不是顺序处理。从本质上讲，大脑中的突触既作为处理器，又作为内存。目前正在探索模仿这些特征的系统，例如使用光进行计算的光子电路。

使用自学习物理机器训练AI

与博士生维克多·洛佩斯-帕斯托（Víctor López-Pastor）合作，马尔库特介绍了一种用于神经形态计算机的创新训练方法。他们的”自学习物理机器”通过内在的物理过程基本上优化了其参数，使外部反馈变得多余。 “不需要这种反馈使训练更加高效，” 马尔库特强调，这种方法将节省能量和计算时间。

然而，这种开创性的技术有特定的要求。该过程必须是可逆的，以确保最小的能量损失，并且必须足够复杂或非线性。 “只有非线性过程才能执行输入数据和结果之间的复杂变换，” 马尔库特指出，区分了线性和非线性动作。

向实用实施迈进

这对的理论基础与实际应用相符。与实验团队合作，他们正在推进使用叠加光波处理信息的光学神经形态计算机。他们的目标很明确：实现自学习物理机器的概念。

“我们希望在三年内展示第一个自学习物理机器，” 马尔库特预测，这些未来网络将处理比当代系统更多的数据，并使用更大的数据集进行训练。考虑到人工智能日益增长的需求和当前设置的固有低效率，转向高效训练的神经形态计算机似乎既不可避免又充满希望。

用马尔库特的话来说，”我们相信自学习物理机器在人工智能的不断演化中有很好的机会。” 科学界和人工智能爱好者都屏息等待未来会带来什么。