Καθώς οι εταιρείες τεχνολογίας επεκτείνονται όλο και περισσότερο, μια νέα προσέγγιση για τον τρόπο «σκέψης» μιας Τεχνητής Νοημοσύνης μιμείται τον ανθρώπινο εγκέφαλο και έχει τη δυνατότητα να φέρει επανάσταση στη βιομηχανία.
Ο Dr. Suin Yi, επίκουρος καθηγητής Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών στο College of Engineering του Texas A&M, είναι μέλος μιας ομάδας ερευνητών που ανέπτυξε το «Super-Turing AI», το οποίο λειτουργεί περισσότερο σαν τον ανθρώπινο εγκέφαλο. Αυτή η νέα AI ενσωματώνει ορισμένες διαδικασίες αντί να τις διαχωρίζει και στη συνέχεια να μεταφέρει τεράστιες ποσότητες δεδομένων όπως κάνουν τα σημερινά συστήματα.
Τα σημερινά συστήματα AI, συμπεριλαμβανομένων των μεγάλων γλωσσικών μοντέλων όπως το Gemini και το ChatGPT, απαιτούν τεράστια υπολογιστική ισχύ και στεγάζονται σε εκτεταμένα κέντρα δεδομένων που καταναλώνουν τεράστιες ποσότητες ηλεκτρικής ενέργειας.
Αυτά τα κέντρα δεδομένων καταναλώνουν ενέργεια σε gigawatt, ενώ ο εγκέφαλός μας καταναλώνει 20 watt. Αυτό μεταφράζεται σε 1 δισεκατομμύριο watt σε σύγκριση με μόλις 20. Τα κέντρα δεδομένων που καταναλώνουν αυτή την ενέργεια δεν είναι βιώσιμα με τις τρέχουσες μεθόδους υπολογισμού. Έτσι, ενώ οι ικανότητες της Τεχνητής Νοημοσύνης είναι αξιοσημείωτες, το hardware και η παραγωγή ενέργειας που απαιτούνται για τη διατήρησή της είναι ακόμη πολύ απαιτητικά.
Οι σημαντικές ενεργειακές απαιτήσεις όχι μόνο κλιμακώνουν το λειτουργικό κόστος, αλλά εγείρουν και περιβαλλοντικές ανησυχίες, δεδομένου του αποτυπώματος άνθρακα που συνδέεται με τα κέντρα δεδομένων μεγάλης κλίμακας. Καθώς η Τεχνητή Νοημοσύνη ενσωματώνεται όλο και περισσότερο παντού στην καθημερινότητα μας, η αντιμετώπιση της βιωσιμότητάς της καθίσταται όλο και πιο κρίσιμη.
Ο Yi και η ομάδα του πιστεύουν ότι το κλειδί για την επίλυση αυτού του προβλήματος βρίσκεται στη Φύση και συγκεκριμένα, στις νευρωνικές διεργασίες του ανθρώπινου εγκεφάλου.
Στον εγκέφαλο, οι λειτουργίες της μάθησης και της μνήμης δεν διαχωρίζονται, αλλά ενσωματώνονται. Η μάθηση και η μνήμη βασίζονται σε συνδέσεις μεταξύ νευρώνων, που ονομάζονται «συνάψεις», όπου μεταδίδονται σήματα. Η μάθηση ενισχύει ή αποδυναμώνει τις συναπτικές συνδέσεις μέσω μιας διαδικασίας που ονομάζεται «συναπτική πλαστικότητα», σχηματίζοντας νέα κυκλώματα και μεταβάλλοντας τα υπάρχοντα για την αποθήκευση και ανάκτηση πληροφοριών.
Αντίθετα, στα σημερινά υπολογιστικά συστήματα, η εκπαίδευση (ο τρόπος με τον οποίο διδάσκεται η AI) και η μνήμη (αποθήκευση δεδομένων) συμβαίνουν σε δύο ξεχωριστά μέρη μέσα στο hardware του υπολογιστή. Η Super-Turing AI είναι επαναστατική επειδή γεφυρώνει αυτό το χάσμα αποδοτικότητας, ώστε ο υπολογιστής να μη χρειάζεται να μεταφέρει τεράστιες ποσότητες δεδομένων από το ένα μέρος του hardware του στο άλλο.
Τα παραδοσιακά μοντέλα AI βασίζονται σε μεγάλο βαθμό στην οπισθοδιάδοση, μια μέθοδο που χρησιμοποιείται για την προσαρμογή των νευρωνικών δικτύων κατά τη διάρκεια της εκπαίδευσης Αν και αποτελεσματική, η οπισθοδιάδοση δεν είναι βιολογικά αληθοφανής και είναι υπολογιστικά εντατική. Αυτό που κάναμε σε αυτήν τη μελέτη είναι να αντιμετωπίσουμε το πρόβλημα της βιολογικής απιθανότητας που υπάρχει στους επικρατούντες αλγορίθμους μηχανικής μάθησης. Η ομάδα μας διερευνά μηχανισμούς όπως η Hebbian μάθηση και η εξαρτώμενη από τον χρόνο των ακίδων πλαστικότητα, διαδικασίες που βοηθούν τους νευρώνες να ενισχύσουν τις συνδέσεις με τρόπο που μιμείται τον τρόπο με τον οποίο μαθαίνουν οι πραγματικοί εγκέφαλοι.
Οι αρχές της Hebbian μάθησης συχνά συνοψίζονται ως «κύτταρα που ενεργοποιούνται μαζί, καλωδιώνονται μαζί». Αυτή η προσέγγιση ευθυγραμμίζεται περισσότερο με τον τρόπο με τον οποίο οι νευρώνες στον εγκέφαλο ενισχύουν τις συνδέσεις τους με βάση τα μοτίβα δραστηριότητας. Με την ενσωμάτωση τέτοιων βιολογικά εμπνευσμένων μηχανισμών, η ομάδα στοχεύει στην ανάπτυξη συστημάτων AI που απαιτούν λιγότερη υπολογιστική ισχύ χωρίς συμβιβασμούς στις επιδόσεις.
Σε μια δοκιμή, ένα κύκλωμα που χρησιμοποιούσε αυτά τα στοιχεία βοήθησε ένα drone να πλοηγηθεί σε ένα πολύπλοκο περιβάλλον - χωρίς προηγούμενη εκπαίδευση - μαθαίνοντας και προσαρμοζόμενο εν κινήσει. Η προσέγγιση αυτή ήταν ταχύτερη, πιο αποτελεσματική και χρησιμοποιούσε λιγότερη ενέργεια από την παραδοσιακή Τεχνητή Νοημοσύνη.
Αυτή η έρευνα θα μπορούσε να αλλάξει τα δεδομένα για τη βιομηχανία της Τεχνητής Νοημοσύνης. Οι εταιρείες αγωνίζονται να δημιουργήσουν μεγαλύτερα και ισχυρότερα μοντέλα AI, αλλά η ικανότητά τους να κλιμακώνονται περιορίζεται από περιορισμούς hardware και ενέργειας. Σε ορισμένες περιπτώσεις, οι νέες εφαρμογές AI απαιτούν την κατασκευή ολόκληρων νέων κέντρων δεδομένων, αυξάνοντας περαιτέρω το περιβαλλοντικό και οικονομικό κόστος.
Ο Yi τονίζει ότι η καινοτομία στο hardware είναι εξίσου κρίσιμη με τις εξελίξεις στα ίδια τα συστήματα AI.
Πολλοί άνθρωποι λένε ότι η AI είναι μόνο ένα πράγμα λογισμικού, αλλά χωρίς υπολογιστικό υλικό, η AI δεν μπορεί να υπάρξει
Το Super-Turing AI αντιπροσωπεύει ένα σημαντικό βήμα προς τη βιώσιμη ανάπτυξη της AI. Επανασχεδιάζοντας τις αρχιτεκτονικές της AI ώστε να αντικατοπτρίζουν την αποτελεσματικότητα του ανθρώπινου εγκεφάλου, η βιομηχανία μπορεί να αντιμετωπίσει τόσο τις οικονομικές όσο και τις περιβαλλοντικές προκλήσεις.
Η σύγχρονη τεχνητή νοημοσύνη όπως το ChatGPT είναι εκπληκτική, αλλά είναι πολύ ακριβή. Εμείς θα φτιάξουμε βιώσιμη Τεχνητή Νοημοσύνη. Το Super-Turing AI θα μπορούσε να αναδιαμορφώσει τον τρόπο με τον οποίο κατασκευάζεται και χρησιμοποιείται η AI, διασφαλίζοντας ότι καθώς θα συνεχίζει να εξελίσσεται, θα το κάνει με τρόπο που θα ωφελεί τόσο τους ανθρώπους όσο και τον πλανήτη.
[via]
