Будущее искусственного интеллекта: самообучающиеся машины могут заменить нынешние искусственные нейронные сети

Искусственный интеллект (ИИ) стал неотъемлемой частью нашей жизни, обеспечивая работу всего - от голосовых помощников до автономных транспортных средств. Однако за впечатляющую производительность искусственного интеллекта приходится платить - значительным потреблением энергии. По мере усложнения задач ИИ потребность в энергии растет в геометрической прогрессии. Однако теперь ученые из Института Макса Планка по изучению света в Эрлангене (Германия) разработали принципиально новый метод, который может заменить традиционные искусственные нейронные сети и резко снизить энергопотребление.

Компания Open AI, создавшая одну из самых совершенных на сегодняшний день моделей искусственного интеллекта GPT-3, не раскрывает информацию о количестве энергии, необходимой для обучения этой мощной языковой модели. Однако, по данным немецкой статистической компании Statista, для обучения GPT-3 потребуется около 1000 мегаватт-часов, что эквивалентно годовому энергопотреблению 200 немецких домохозяйств. Такие огромные энергозатраты вызывают опасения по поводу экологичности ИИ и его влияния на окружающую среду.

В последние годы исследователи изучают новую концепцию нейроморфных вычислений для решения проблемы энергоэффективности ИИ. В отличие от традиционных искусственных нейронных сетей, работающих на цифровых компьютерах, нейроморфные вычисления призваны имитировать способ обработки информации мозгом. Они объединяют аппаратное и программное обеспечение для параллельного выполнения вычислений, аналогично работе нашего мозга.

Флориан Марквардт, директор Института Макса Планка по изучению света, поясняет: "При обучении нейронных сетей с миллиардами параметров и терабайтами данных только на передачу данных между процессором и памятью расходуется значительное количество энергии". Такой последовательный подход к обработке данных крайне неэффективен по сравнению с возможностями мозга по параллельной обработке данных.

Одним из ключевых аспектов нейроморфных вычислений является разработка синапсоподобных компонентов, которые могут одновременно выполнять функции процессоров и ячеек памяти. Такие компоненты, например фотонные схемы, использующие свет вместо электронов, открывают возможности для высокоэффективных вычислений с низким энергопотреблением.

Флориан Марквардт и Виктор Лопес-Пастор, докторант Института Макса Планка по изучению света, разработали метод самообучения для нейроморфных компьютеров. В отличие от традиционного обучения ИИ, которое опирается на цифровые алгоритмы, их подход использует физические процессы для самостоятельной оптимизации работы синапсов. Это означает, что машина может обучаться и адаптироваться без необходимости проведения обширных энергозатратных вычислений.

Разработка самообучающихся машин на основе физики может произвести революцию в области ИИ. Используя возможности нейроморфных вычислений и оптимизируя энергоэффективность, эти машины могут проложить путь к созданию более устойчивых и экологически безопасных приложений ИИ. Кроме того, этот прорыв может привести к прогрессу в других областях, таких как робототехника, здравоохранение и научные исследования.