Ny hjerneinspireret AI lærer i realtid ved hjælp af ultralavt energiforbrug

Menneskehjernen er den mest avancerede supercomputer i verden. Den kan samtidig lære og tilpasse sig uden brug af massive datacentre som nutidens AI-systemer. Denne måned introducerede et team af ingeniører fra Texas A&M Department of Computer and Electrical Engineering og andre førende institutioner et hjerneinspireret AI-system, der kan give bedre ydeevne og åbne døren for smartere protokoller. Her er, hvad du behøver at vide. 

Begrænsningerne ved traditionel AI og Turing-arkitekturen

Kunstig intelligens er en af de hurtigst voksende og mest spændende teknologibranchen i verden. På få korte år gik AI-algoritmer fra kun at være tilgængelige for højtstående Google- og Microsoft (MSFT ) -ingeniører til at blive et almindeligt værktøj for den gennemsnitlige person. På denne rejse har AI-systemer løbende øget deres ydeevne og funktioner. Samtidig med denne stigning i ydeevne er der også sket en stigning i hardwarekapaciteter.

Bemærkelsesværdigt er AI-systemer afhængige af Turing-arkitekturen. Denne form for beregning er opkaldt efter sin opfinder, Alan Turing. Han udtænkte, at computere kunne levere bedre ydeevne, hvis visse dele af deres operationer blev adskilt. 

Dette design betyder, at computere har deres behandling og hukommelse fysisk adskilt inden for chipdesignet. Denne adskillelse har siden da dikteret maskinernes hardwaredesign. Hans vision for computere forbliver den mest fremtrædende anvendte arkitektur, på trods af at der er gået årtier siden hans opdagelse. 

Energikrisen: Hvorfor moderne AI har brug for en ny plan

Problemet med dette layout er, at AI-systemer kræver enorme mængder data. I nogle tilfælde skal hele datacentre bygges fra bunden, ved at bruge den mest avancerede hardware som en del af systemkravene. Desværre er denne struktur ikke bæredygtig. 

Store datacentre er enorme energiforbrugere, der kan forbruge så meget energi som hele byer. I mange tilfælde er disse systemer afhængige af vedvarende energi, hvilket har hjulpet med at reducere miljøpåvirkningen. Men den stigende efterspørgsel efter AI-systemer betyder, at der er behov for en effektivitetspågradering for at gøre disse protokoller bæredygtige i fremtiden.

Hvorfor nutidens AI-modeller ikke kan tilpasse sig i realtid

Desuden betyder dette layout, at skalerbarheden af disse protokoller er baseret på deres hardware frem for deres softwarebegrænsninger. Selv de mest avancerede systemer skal stadig vente på, at data fysisk overføres mellem hardwarekomponenterne på en enhed. 

 Introduktion af en Super‑Turing AI: Inspireret af den menneskelige hjerne

En anden ulempe ved Turing-baserede AI-systemer er, at de er afhængige af forudindstillede datapunkter. Nutidens modeller tilbyder ingen måde at ændre deres ydeevne under drift. Disse systemer er afhængige af de leverede data for at fuldføre backpropagation. 

Dette tilgang adskiller sig fra din hjerne, som bruger en kombination af viden og miljøforhold til at foretage præcise vurderinger med en brøkdel af energien. Bemærkelsesværdigt er det biologisk umuligt at efterligne back propagation, da det ville kræve, at personen allerede havde oplevet situationen på forhånd. Med denne erkendelse har ingeniører søgt at udvikle et AI-system, der efterligner menneskelig læring.  

Hvordan synaptiske modstande lærer som vores hjerner

Studiet \”HfZrO-baseret synaptisk modstandskredsløb for et Super‑Turing intelligent system\” introducerer et neuromorft AI-system, der kan efterligne, hvordan hjernen lærer for at give realtids‑tilpasning baseret på betingelser. Studiet blev fremsat af et team af forskere fra UCLA, Texas A&M og andre forskningsfaciliteter og blev offentliggjort i Science Advances. For at gennemføre denne opgave skabte teamet et “synstor” (synaptisk modstand) kredsløb, der kan lære som din hjerne. 

Kilde – Texas A&M Department of Computer and Electrical Engineering

Hjerne‑lignende effektivitet: AI der forbruger mikrowatt, ikke megawatt

Ingeniørerne bag dette studie anerkender, at den menneskelige hjerne stadig er langt foran AI på mange områder, såsom energiforbrug og fleksibilitet. Hjernens neurale processer gør det muligt at udføre komplekse kropsfunktioner, mens den samtidig tilpasser sig de skiftende forhold omkring dig. 

Hvad angår energieffektivitet kræver den menneskelige hjerne kun omkring 20 watt for at fungere. Til sammenligning kan nutidens avancerede AI-system forbruge op til 1 milliard watt under drift. Dette energiforbrug stammer fra behandlingsveje og komponenter samt AI-systemets arkitektur. 

 Forståelse af synaptisk plasticitet i kunstig intelligens

Ingeniørerne startede med at studere synaptisk plasticitet i hjerner. Din hjerne har millioner af neuroner, der driver din hukommelse og læring. Disse kommunikationsområder, hvor nerver mødes, kaldes synapser. Synaptisk plasticitet refererer til hjernens evne til at styrke forbindelser, der bruges hyppigere. Det refererer også til hjernens evne til at skabe nye veje, når det anses for mere effektivt. 

Hjernens hemmelighed: Skift mellem Turing- og Super‑Turing‑tilstande

Intuitivt kan hjerner operere både i Turing‑tilstand og i en super‑Turing‑tilstand. Mens den er i en Turing‑driftsfase, vil din hjerne anvende forudindlærte opgaver og handlinger. Når uventede scenarier opstår, eller betingelserne ændrer sig på en uforudsigelig måde, vil din hjerne automatisk skifte til en super‑Turing‑holdning. Denne tilgang gør, at din hjerne altid kan tilpasse sig omgivelserne. 

Hvordan Super‑Turing AI lærer og tilpasser sig øjeblikkeligt

Forskere finder, at denne super‑turning‑tilstand er kernen i hjernens unikke evner. De udnyttede denne struktur til at genopfinde AI-arkitekturer, og forestille sig en mere menneskelignende driftsstrøm, hvor læring og inferens foregår samtidigt. 

Denne strategi reducerer energiforbruget betydeligt. Fjernelsen af kravet om at flytte enorme datamængder mellem hardwarekomponenter mindsker forbruget og forbedrer ydeevnen. Den understøtter også realtids‑tilpasning, mens den sænker energiforbruget til nye lavpunkter. 

Inde i Synstor: Det ferroelectric kredsløb, der efterligner menneskelig læring

Kernen i dette studie er skabelsen af et inklusivt sensor‑kredsløb, der kan behandle, lære og fungere glat samtidigt. Teamet fremstillede et kredsløb af Hf0.5Zr0.5Ο2‑baserede synstors som en del af deres undersøgelse. 

Dette specialbyggede kredsløb indeholdt synaptiske modstande, der integrerede ferroelectric HfZrO‑materialer. Bemærkelsesværdigt giver ferroelectric‑materialer, såsom Hf‑oxider, ingeniører mulighed for at skabe skalerbare, Si‑kompatible, ikke‑flygtige analoge hukommelses‑ og neuromorfe enheder. 

Drone‑simulation: Menneske vs AI vs Synstor

Teamet opstillede en drone‑flyvesimulation og fik en traditionel AI, et menneske og et super‑Turing AI-system til at navigere i simulationen for at teste deres teori. Før nogen turbulens eller forhindringer lærte synstor‑kredsløbet, de menneskelige operatører og ANN succesfuldt at styre dronen mod dens målposition uden problemer eller forsinkelser. 

Men da træer eller stærk vind blev tilføjet, faldt præstationen for alle parter. Specifikt gennemførte mennesket og synstor‑kredsløbets AI-system opgaven. Det traditionelle AI-system kunne ikke tilpasse sig det nye miljø og gennemførte ikke testen, da de tilføjede forhindringer reducerede dets præstation. 

AI‑tilpasning i praksis: Resultater fra drone‑forhindringsløbet

Studiet viste, at ingeniørernes nyudviklede synaptiske modstandskredsløb understøtter effektive og adaptive Super‑Turing AI-systemer, der kan navigere i usikre og dynamiske virkelige miljøer. De undersøgte, hvorfor kun det menneskelige og synstor‑drevne drone kunne gennemføre løbet. Deres succes skyldtes deres evne til at tilpasse sig i realtid. 

Hvorfor Synstor‑kredsløb er et skridt fremad i bæredygtig AI

Der er flere fordele, som et synstor‑kredsløb AI-system kan bringe til markedet. For det første vil de åbne døren for mere avancerede og kapable AI‑muligheder. Disse protokoller vil kunne udføre samtidige realtids‑inferenser og læring, hvilket giver et springbræt til næste generations AI‑protokoller. 

Miljøvenlig: Ingeniørernes AI-systemarkitektur bruger en brøkdel af den elektricitet, der kræves for at køre traditionelle AI-protokoller. Dette opgraderede strømforbrug gør det muligt for Synstor AI‑systemer at gøre krav på titlen som den mest miljøvenlige AI‑arkitektur for data. Efterhånden som efterspørgslen efter disse tjenester stiger, vil behovet for bæredygtige muligheder også vokse. 

Effektivitet: Ingeniørerne har med succes skabt et system, der efterligner den menneskelige hjerne. Deres tilgang reducerer energikravene generelt for AI‑systemer og gør det muligt for AI‑systemer at maksimere deres strømforbrug, når de udfører eller træner nye modeller. 

Tilpasningsevne: En af de vigtigste fordele ved denne AI‑struktur er dens tilpasningsevne. AI‑systemer skal blive hurtigere og mere tilpasningsdygtige for at håndtere det stigende antal opgaver, de får. Fra at styre din el‑bil hjemme til at vælge, hvilke sange der skal afspilles for dig, vil fremtidige AI‑systemer tage deres miljø i betragtning som en del af deres behandlingsprocedurer. 

Fremtidige anvendelser: Hjerne‑lignende AI i biler, wearables og militærteknologi

Det hjerneinspirerede AI-system har potentiale til at revolutionere branchen. Det giver ingeniører udsigten til bæredygtig AI‑udvikling og kan understøtte skabelsen af morgendagens avancerede autonome systemer. Denne teknologi vil også finde vej ind i robotteknologi, wearables og den medicinske sektor.  

Avanceret beregning: Du kan forvente at se avancerede AI‑systemer, der bruger denne teknologi, inden længe. Det reducerede strømforbrug vil sænke driftsomkostningerne for disse systemer, hvilket gør dem til et attraktivt alternativ til status quo. Desuden vil forbedringer i synstor‑chipdesignen fremme yderligere adoption. 

Militær: Militæret er en af de største fortalere for AI. AI‑systemer kan hjælpe med sporing, måludpegning, planlægning og logistik, hvilket forbedrer de operationelle kapaciteter for enhver hær, der anvender dem. I fremtiden vil du se AI‑systemer drive avancerede loiter‑munitioner og droner samt hjælpe planlæggere med at opretholde situationsforståelse.. 

Autonome køretøjer: Et af de centrale anvendelsestilfælde for avanceret AI er at styre autonome køretøjer. Drømmen om fuldt autonome biler har været langsom at tage fat, men de seneste fremskridt har gjort visionen tættere på end nogensinde. Dette seneste AI‑gennembrud vil hjælpe med at forbedre ydeevnen og åbne døren for mere avancerede autonome køretøjer, der kan flyve og mere. 

Denne teknologi vil en dag hjælpe med at gøre samfund sikrere og dine daglige opgaver lettere. Der er dog stadig nogle detaljer og forhindringer, som teknologien skal overvinde, før den bliver mainstream. På trods af forsinkelserne er den potentielle kommercielle adoption anslået til at ske inden for 5–10 år, med kortsigtede anvendelser i specialiserede lav‑effekt AI‑opgaver. 

Mød forskerholdet bag dette AI‑gennembrud

Ingeniører fra Texas A&M Department of Computer and Electrical Engineering og University of California‑Los Angeles samarbejdede om at bringe dette studie frem i lyset. Specifikt ledte Jungmin Lee, Rahul Shenoy og Atharva Deo forskningen. 

De fik hjælp fra et team af ingeniører, herunder Sun Yi, Dawei Gao, David Qiao, Mingjie Xu, Shiva Asapu, Zixuan Rong, Dhurva Nathan, Yong Hei, Dharma Paladugu, Jian‑Guo Zheng, J. Joshua Yang, R. Stanley Williams, Qing Wu og Yong Chen. Bemærkelsesværdigt modtog studiet finansiering fra Air Force Office of Scientific Research. 

Forretningsvinklen: Hvordan NVIDIA og andre fremmer neuromorfisk AI

AI‑kapløbet er i gang, og konkurrerende virksomheder bruger milliarder på at forsøge at dominere sektoren. AI’s relativt forstyrrende karakter betyder, at der opstår nye muligheder for virksomheder som OpenAI, der kan komme ud af ingenting og sikre sig en topplacering på markedet. Selvom det er meget svært at fastslå, hvem den næste nye aktør i sektoren vil være, er det let at se, hvem der har domineret markedet de sidste par år.

NVIDIA Corporation

NVIDIA (NVDA ) gik ind på markedet i 1993 og har base i Californien. Den nu verdensberømte 3D‑grafikkortproducent har i årenes løb været pioner inden for ASIC og andre banebrydende designs. Disse opgraderinger hjalp virksomheden med at omdanne sit brand fra en spil‑grafikkortvirksomhed til et af de mest genkendelige navne inden for AI‑sektoren.

NVIDIAs fremgang gik ikke ubemærket hen. Dens aktie har oplevet betydelig vækst, og i juni 2024 nåede virksomheden en markedsværdi på 3 tredje. I dag er NVIDIA en leder inden for neuromorfisk og edge‑AI‑hardware. Som sådan er den stærkt involveret i design af AI‑inferenseffektivitet og hjerneinspirerede arkitekturer. De, der søger en pålidelig og dokumenteret AI‑aktie, bør tage sig tid til at undersøge NVIDIA nærmere.

For at få et nærmere kig på NVIDIA, skal du sikre dig at se vores spotlight af denne industrigigant.

Seneste om NVIDIA Corporation

Fremtiden for AI: Naturlig intelligens, kunstigt konstrueret

Ingeniørerne bag dette studie har låst op for et nyt niveau i AI‑kapacitet. Deres nye chipdesign vil gøre det muligt for AI at udvikle hurtigere og smartere algoritmer. Disse systemer vil en dag drive næsten alle komponenter i dit liv. Indtil videre har denne forskning demonstreret, hvordan forskere kan finde inspiration i naturen og den menneskelige krop for at drive innovation til nye højder.. 

Lær om andre spændende AI‑projekter nu.

Studier refereret:

^{1. Lee, J., Shenoy, R., Deo, A., Yi, S., Gao, D., Qiao, D., Xu, M., Asapu, S., Rong, Z., Nathan, D., Hei, Y., Paladugu, D., Zheng, J.-G., Yang, J. J., Williams, R. S., Wu, Q., & Chen, Y. (2025). HfZrO-baseret synaptisk modstandskredsløb for et Super‑Turing intelligent system. Science Advances, 11(9), eadr2082. https://doi.org/10.1126/sciadv.adr2082}