Современный искусственный интеллект, несмотря на впечатляющую производительность, создает значительные энергетические потребности. Чем сложнее задачи, для которых он обучается, тем больше он потребляет энергии.
Ученые из Max Planck Institute for the Science of Light in Erlangen (Германия) представили метод, позволяющий гораздо более эффективно обучать искусственный интеллект. Новый подход основан на физических процессах, а не на существующих цифровых искусственных нейронных сетях. Работа была опубликована в журнале Physical Review X .
Согласно статистической компании Statista, обучение GPT-3 потребовало бы 1,000 мегаватт-часов, что сравнимо с потреблением 200 немецких домохозяйств в год.
Для сокращения энергопотребления в области искусственного интеллекта ученые исследуют новый концепт обработки данных, известный как нейроморфное вычисление. В отличие от искусственных нейронных сетей, которые работают на обычных цифровых компьютерах, нейроморфное вычисление напоминает работу человеческого мозга. В человеческом мозге многие процессы происходят параллельно, а не последовательно.
Флориан Маркуардт, один из авторов исследования, указал на то, что передача данных между процессором и памятью в современных нейронных сетях потребляет огромное количество энергии.
Маркуардт в сотрудничестве с Лопес-Пастором разработал эффективный метод обучения для нейроморфных компьютеров, основанный на самообучающейся физической машине. Они надеются представить первую такую машину в течение трех лет.
Таким образом, существует большой потенциал для использования нейроморфных компьютеров в дальнейшем развитии искусственного интеллекта, которые будут эффективнее и экономичнее существующих решений.