Varovali nás, že tento deň príde: Počítač, ktorý rozmýšľa ako človek, je realitou. čo to znamená pre ľudstvo?
Výskumníci z Texasu predstavujú prelomový neuromorfný počítač, ktorý sa dokáže učiť oveľa rýchlejšie ako veľké AI modely a za zlomok energie.
Počítače sa dnes učia pomaly, draho a neefektívne. Potrebujú tony dát, mesiace tréningu a celé elektrárne, aby zvládli úlohy, ktoré človek zvládne jedným pohľadom. Ale čo ak by počítače raz dokázali učiť sa ako my, prirodzene, bez miliardového tréningu a s minimálnou energiou?
Práve týmto smerom kráča neuromorfná výpočtová technika, technológia inšpirovaná ľudským mozgom. A tím Dr. Josepha S. Friedmana z University of Texas v Dallase k nemu urobil zásadný krok. Vytvorili malý, funkčný neuromorfný prototyp, ktorý sa dokáže učiť vzory a robiť predpovede s oveľa menším množstvom tréningových výpočtov než klasické AI systémy. Inými slovami, ich „mozog z kovu“ zvláda to, čo dnešné obrovské modely, ale bez nákladov a spotreby, ktoré by zruinovali menšie krajiny.
„Naša práca ukazuje novú cestu, ako budovať mozgom inšpirované počítače, ktoré sa dokážu učiť samy,“ hovorí Friedman. „Nepotrebujú gigantické dátové centrá ani astronomické množstvo energie.“
Kde klasické počítače zlyhávajú
Dnešné počítače fungujú na princípe tzv. Von Neumannovej architektúry, teda pamäť a procesor sú oddelené. Dáta sa neustále presúvajú sem a tam, čo spomaľuje prácu a míňa energiu. V umelej inteligencii sa tento problém mení na katastrofu. Tréning veľkého modelu stojí stovky miliónov dolárov a vyžaduje superpočítače s tisíckami grafických kariet.
Neuromorfné počítače tento problém riešia inak, spájajú pamäť aj spracovanie do jedného celku. Tak ako mozog, neuróny spracúvajú informácie a synapsie si pamätajú, ako často spolu fungovali. Čím častejšie spolu fungujú, tým silnejšie spojenie medzi nimi vzniká. Tento princíp, známy ako Hebbov zákon („neuróny, ktoré pália spolu, sa spájajú“), je základom Friedmanovho prototypu.
Friedmanov tím stavil na zariadenia nazývané magnetické tunelové prechody (MTJ). Ide o nanometrové štruktúry z dvoch vrstiev magnetického materiálu oddelených izolantom. Elektróny cez túto bariéru „tunelujú“ ľahšie, ak sú magnetické vrstvy rovnobežné, a ťažšie, ak sú opačné. Znie to zložito, ale práve v tom je kúzlo. MTJ dokážu spoľahlivo napodobniť synapsie mozgu a meniť svoju vodivosť podľa toho, ako často nimi prechádza signál. Friedman tak našiel spôsob, ako prekonať bottleneck klasickej architektúry a spojiť pamäť aj výpočty priamo do jedného prvku.
Neprehliadni
Tento prístup sa nazýva In-Memory Computing a MTJ majú oproti iným riešeniam (napríklad memristorom) obrovskú výhodu. sú nemenné, takže si pamätajú aj po vypnutí prúdu. Vďaka tomu sú ideálne pre dlhodobé „mozgové“ učenie bez obrovských energetických strát.
Ako sa mu darí voči konkurencii?
Nie je to prvý pokus o umelý mozog. Intel už niekoľko rokov vyvíja čip Loihi, ktorý používa tzv. spiking neural networks, neurónové siete pracujúce s impulzmi, podobne ako mozog. Loihi je rýchly, úsporný a zvláda spracovávať udalosti v reálnom čase, čo sa hodí napríklad pre roboty či senzory. IBM má zas projekt TrueNorth, čip s viac ako miliónom neurónov a štvrť miliardou synapsií. Jeho sila spočíva v obrovskom paralelnom výkone a extrémne nízkej spotrebe energie.
Lenže oba prístupy majú svoje limity. Intel a IBM stavajú na digitálnej architektúre, ktorá síce napodobňuje mozog, ale stále zostáva v rámci klasickej výpočtovej technológie. Friedman ide hlbšie, pracuje priamo s fyzikou synapsie, nie s jej softvérovým modelom. Jeho MTJ sú teda potenciálne základným stavebným kameňom skutočne mozgového hardvéru, nie len jeho simuláciou.
Malý čip, veľká budúcnosť
Ak sa tímu z Texasu podarí ich prototyp zväčšiť, otvorí sa cesta k zariadeniam, ktoré sa učia bez cloudu, tréningu a neustáleho pripojenia. Telefón by si mohol sám vycibriť rozpoznávanie hlasu alebo kamera by sa prispôsobila prostrediu bez aktualizácií z dátového centra. A to všetko s minimálnou energiou, pretože mozgy, či už biologické alebo kovové, nikdy neplytvajú.
