Одним из главных вызовов в развитии современных систем ИИ является их зависимость от крупных дата-центров — они потребляют электричество в масштабах, сравнимых с энергопотреблением целых городов. Это не только экономически накладно, но и несет серьезную угрозу для экологии. При этом сегодняшние вычислительные методы неустойчивы, и если человечество хочет использовать ИИ в долгосрочной перспективе, подходы к его разработке следует в корне изменить. В поисках решений исследователи решили обратиться к самой совершенной вычислительной системе — человеческому мозгу.
Дело в том, что мозг людей при выполнении не менее сложных, чем у современных языковых моделей, задач, обходится скромными 20 ваттами. Этот впечатляющий контраст вдохновил ученых из Техасского университета A&M под руководством профессора Суин И на разработку принципиально нового подхода к созданию ИИ. Новая методика получила название «Супер-Тьюринговый ИИ» и работает по тем же принципам, что и мозг человека.
Ключевым отличием мозга от современных вычислительных систем является отсутствие четкого разделения между обучением и хранением информации. В мозге обучение происходит через изменения в связях между нейронами, то есть через так называемую синаптическую пластичность. Чем чаще активируются определенные нейронные связи, тем прочнее они становятся. Напротив, в традиционных ИИ-системах обучение и память разделены: информация хранится в одной части оборудования, а обработка данных осуществляется в другой. Это означает, что для выполнения задач системе приходится постоянно перемещать из одной своей части в другую огромные объемы данных, что требует значительных вычислительных ресурсов и энергии.
Суин И и его коллеги предлагают альтернативный подход, вдохновленный принципами хеббовского обучения, которое можно охарактеризовать фразой: «нейроны, которые активируются вместе, образуют связь». Такой метод позволяет моделям ИИ учиться естественным образом так же, как это делает мозг, без необходимости в энергоемких процессах перемещения объемов данных, которые широко используются в современных нейросетях. Более того, команда ученых применила принципы пластичности, основанные на временном порядке активности нейронов, что позволило системе быстрее адаптироваться к изменяющимся условиям.
Чтобы проверить работоспособность нового метода, исследователи провели эксперимент с дроном, который должен был ориентироваться в сложной среде. В отличие от традиционных ИИ-моделей, требующих предварительного обучения, дрон с «Супер-Тьюринговым ИИ» адаптировался к новым условиям самостоятельно, анализируя окружающую обстановку в режиме реального времени. Эксперимент показал, что такой подход не только быстрее и эффективнее, но и требует значительно меньше энергии.
Разработка ученых может радикально изменить будущее искусственного интеллекта. Модели ИИ становятся все сложнее, но их развитие упирается в ограничения оборудования и ресурсов. Иногда для запуска новых технологий требуется строительство отдельных дата-центров, что увеличивает издержки и негативное воздействие на окружающую среду. Однако если «Супер-Тьюринговый ИИ» будет внедрен в массовое производство новых моделей, можно будет значительно снизить энергопотребление и сделать нейросети более доступным.
Тем временем H&M уже нанимает цифровых клонов вместо людей: узнайте зачем.
