Umjetna inteligencija ne samo da omogućuje impresivne performanse, već stvara i značajnu potražnju za energijom. Što su zahtjevniji zadaci za koje se osposobljava, to više energije troši. Eto, izračunala je Statista, količina energije potrebna za treniranje GPT-3 kreće oko 1000 megavat sati, koliko godišnje potroši 200 kućanstava s najmanje tri stanara. Kako bi se smanjila potrošnja energije računala, a posebno UI aplikacija, nekoliko istraživačkih institucija istražuje potpuno novi koncept obrade podataka, poznat kao neuromorfno računalstvo. 

Oslonac na fizičke procese

Víctor López-Pastor i Florian Marquardt s Instituta Max Planck za znanost o svjetlosti u njemačkom Erlangenu nedavno su tako u časopisu Physical Review X predstavili metodu kojom bi se umjetna inteligencija mogla trenirati mnogo učinkovitije. Njihov se pristup oslanja na fizičke procese umjesto na digitalne umjetne neuronske mreže koje se trenutno koriste. 

Ljudski mozak potpuno je drugačiji i vjerojatno nikada ne bi bio evolucijski konkurentan da radi s energetskom učinkovitošću sličnom onoj kod računala sa silicijskim tranzistorima. Najvjerojatnije bi zakazao zbog pregrijavanja. Sinapse su mu i procesor i memorija. Različiti sustavi tretiraju se kao mogući kandidati za neuromorfne analoge našim živčanim stanicama, uključujući fotonske krugove koji za izvođenje izračuna umjesto elektrona koriste svjetlost. Njihove komponente istovremeno služe i kao sklopke i memorijske ćelije.

Učinkovita metoda obuke

Marquardt i López-Pastor osmislili su učinkovitu metodu obuke za neuromorfna računala. Razvili su, kažu, koncept fizičkog stroja koji se sam uči, a parametri stroja optimiziraju se samim procesom. Kad trenirate konvencionalne umjetne neuronske mreže, potrebna je vanjska povratna informacija kako bi se ponderirale sinaptičke veze. A implementacija i obuka umjetne inteligencije na samoučećem fizičkom stroju uštedjela bi  energiju, ali i vrijeme računanja.

"Naša metoda funkcionira bez obzira na to koji se fizički proces odvija u samoučećem stroju, a ne moramo čak ni znati točan proces. Međutim, on mora biti reverzibilan, što znači da mora moći teći naprijed ili unatrag s minimalnim gubitkom energije", objašnjava Marquardt. Uz to, fizički proces mora biti nelinearan, što znači dovoljno složen.

Optičko neuromorfno računalo

Primjeri reverzibilnih, nelinearnih procesa mogu se pronaći u optici, a njemački istraživači već razvijaju optičko neuromorfno računalo; ovaj stroj obrađuje informacije u obliku superponiranih svjetlosnih valova, pri čemu odgovarajuće komponente reguliraju vrstu i snagu interakcije.

Marquardt i López-Pastor nadaju se da će prvi samoučeći fizički stroj predstaviti za tri godine. Dotad bi, kažu, trebale postojati i neuronske mreže koje razmišljaju s mnogo više sinapsi i koje se treniraju sa znatno većim količinama podataka od današnjih.