Σχεδόν κάθε εταιρεία που ασχολείται έστω και ελάχιστα με την τεχνολογία έχει εμμονή με τη παραγωγική Τεχνητή Νοημοσύνη, η οποία μας έχει δώσει ορισμένα πολύ ενδιαφέροντα και ενίοτε χρήσιμα εργαλεία. Παρόλα αυτά, το κόστος πρόσβασης σε ορισμένες από αυτές τις υπηρεσίες είναι αρκετά υψηλό. Η εκπαίδευση και η λειτουργία των μοντέλων Τεχνητής Νοημοσύνης είναι εξαιρετικά δαπανηρή, αλλά μια νέα έρευνα από το Πανεπιστήμιο του Σίδνεϊ και το Πανεπιστήμιο της Καλιφόρνια υποδεικνύει έναν δυνητικά φθηνότερο τρόπο. Οι ερευνητές δημιούργησαν έναν τεχνητό «εγκέφαλο» από νανοκαλώδια αργύρου που θα μπορούσε να αποδειχθεί ένας πολύ πιο αποτελεσματικός τρόπος για τη λειτουργία των νευρωνικών δικτύων.
Τα σημερινά διακεκριμένα συστήματα Τεχνητής Νοημοσύνης, όπως το ChatGPT, λειτουργούν με συστοιχίες επιταχυντών Τεχνητής Νοημοσύνης μασάζ, ουσιαστικά GPUs με τόνους VRAM και χωρίς έξοδο βίντεο. Το hardware είναι εξαιρετικά ακριβό και η ενέργεια για τη διατήρησή τους σε λειτουργία είναι ένα σοβαρό και συνεχόμενο κόστος. Η νανοτεχνολογική προσέγγιση που σχεδίασαν οι ερευνητές έχει τη δυναμική να αποδειχθεί πολύ πιο συμφέρουσα.
Με τη χρήση προηγμένης νανοτεχνολογικής τεχνικής, η ομάδα δημιούργησε δίκτυα από νανοκαλώδια αργύρου, με κάθε νήμα να έχει πλάτος περίπου ένα χιλιοστό του πλάτους μιας ανθρώπινης τρίχας. Τα νήματα είναι τυχαία τοποθετημένα, σχηματίζοντας ένα δίκτυο όπου διασταυρώνονται και αλληλεπιδρούν όπως οι συνάψεις στον εγκέφαλο. Πρόκειται για ένα είδος νευρομορφικής πληροφορικής, που σημαίνει ότι τα νήματα συμπεριφέρονται όπως ένα φυσικό νευρωνικό δίκτυο.
Σύμφωνα με τη μελέτη που δημοσιεύθηκε στο Nature Communications, τα νανοκαλώδια εμφανίζουν συμπεριφορά που μοιάζει με του εγκεφάλου όταν ηλεκτρικά σήματα περνούν μέσα από το δίκτυο. Οι χιλιάδες διασταυρώσεις μεταξύ των νημάτων υφίστανται μεταβολές σήματος ως απόκριση σε ηλεκτρικά ερεθίσματα, και η απόκριση αυτή συμβαίνει σε πραγματικό χρόνο. Έτσι, η ομάδα λέει ότι τα δίκτυα νανοκαλωδίων είναι ιδανικά για online μηχανική μάθηση.
Με την online μάθηση, δεν χρειάζεται να γίνεται ομαδοποίηση των δεδομένων σε μεγάλες παρτίδες, και αυτός είναι ο λόγος για τον οποίο οι επιταχυντές AI διαθέτουν δεκάδες gigabytes μνήμης RAM. Η τροφοδοσία των δεδομένων σε συνεχή ροή είναι απλά πιο αποδοτική. Ακόμη και σε αυτό το πρώιμο στάδιο, η προσέγγιση αυτή λειτουργεί για ορισμένες βασικές δραστηριότητες μηχανικής μάθησης. Η ομάδα μετέτρεψε το σύνολο των χειρόγραφων δεδομένων MNIST σε ηλεκτρικά σήματα και το εισήγαγε στο δίκτυο της, το οποίο μπόρεσε να μάθει πώς να αναγνωρίζει τους γραπτούς αριθμούς. Δοκίμασαν επίσης εργασίες που μοιάζουν με μνήμη, όπως η ανάκληση αριθμών, και το μοντέλο τα κατάφερε.
Θα χρειαστεί, βέβαια, λίγος χρόνος προτού τα δίκτυα νανοκαλωδίων μπορέσουν να ανταγωνιστούν τους επιταχυντές Τεχνητής Νοημοσύνης υψηλής ισχύος, αλλά θα μπορούσαν να υπάρξουν εφαρμογές που δεν χρειάζονται όλη αυτή την ισχύ.
[via]
Διαβάστε επίσης
