Искусственный интеллект (ИИ), несмотря на впечатляющую производительность, сталкивается с значительным энергопотреблением. Ученые из Института науки о свете Макса Планка в Германии, Виктор Лопес-Пастор и Флориан Марквардт, представили более эффективный метод обучения ИИ. Их подход использует физические процессы, отличные от традиционных цифровых искусственных нейронных сетей.
Open AI, разработчик технологии GPT-3, базовой для ChatGPT, не раскрыл точное энергопотребление для обучения этого продвинутого искусственного интеллекта.
Согласно статистике немецкой компании Statista, обучение GPT-3 потребовало 1000 мегаватт-часов, что эквивалентно годовому потреблению энергии 200 немецких домохозяйств с тремя и более членами. Эти затраты энергии, несмотря на обучение GPT-3 на определенных языковых аспектах, кажется, не обеспечили ему глубокого понимания основных значений слов и фраз.
Для сокращения энергопотребления компьютеров, особенно в области искусственного интеллекта, исследователи в последние годы работают над концепцией нейроморфных вычислений. Эти вычисления имеют меньший отпечаток энергопотребления, используя принципы, вдохновленные функционированием мозга.
Флориан Марквардт и Виктор Лопес-Пастор предложили концепцию самообучающейся физической машины для более эффективного обучения нейроморфных компьютеров. Этот метод позволяет оптимизировать параметры машины в ходе физического процесса обучения, не требуя внешней обратной связи, что делает его более эффективным и экономичным. Этот подход, основанный на обратимых нелинейных процессах, отличается от обычных цифровых вычислений и позволяет существенно снизить энергопотребление.
Согласно Флориану Марквардту, реализация концепции самообучающейся физической машины ожидается в течение трех лет. Такие инновации могут предоставить альтернативу эффективным и обученным нейроморфным компьютерам, открывая новые перспективы для развития искусственного интеллекта.
