Uusi aivoihin perustuva tekoäly oppii reaaliajassa käyttäen erittäin vähän virtaa

Ihmisen aivot ovat maailman kehittynein supertietokone. Ne voivat oppia ja sopeutua samanaikaisesti ilman massiivisten datakeskusten käyttöä, kuten nykypäivän tekoälyjärjestelmät. Tänä kuukautena Texas A&M:n tietokone- ja sähkötekniikan laitoksen insinööritehdas ja muut johtavat instituutiot esittelivät aivoihin perustuvan tekoälyjärjestelmän, joka voisi avata parempaa suorituskykyä ja avata oven älykkäämmille protokollille. Tässä on mitä sinun tarvitsee tietää. 

Perinteisen tekoälyn ja Turing-arkkitehtuurin rajoitukset

Tekoäly on yksi maailman nopeimmin kasvavista ja jännittävimmistä teknologiatoimialoista. Muutamassa vuodessa AI-algoritmit siirtyivät vain korkean tason Google- ja Microsoft (MSFT ) -insinööreille saataviksi tavalliseksi työkaluksi keskimääräiselle käyttäjälle. Tämän matkan varrella tekoälyjärjestelmät ovat jatkuvasti parantaneet suorituskykyään ja ominaisuuksiaan. Samanaikaisesti myös laitteistokapasiteetti on kasvanut.

Erityisesti tekoälyjärjestelmät perustuvat Turing-arkkitehtuuriin. Tämä laskentatyyli on nimetty sen keksijän, Alan Turingin, mukaan. Hän keksi, että tietokoneet voisivat tarjota paremman suorituskyvyn, jos tietyt osat niiden toiminnasta erotetaan.

Tämä rakenne tarkoittaa, että tietokoneiden prosessointi ja muisti ovat fyysisesti erotettuina piirin suunnittelussa. Tämä erottelu on ohjannut laitteistojen suunnittelua siitä lähtien. Hänen näkemyksensä tietokoneista on edelleen eniten käytetty arkkitehtuuri, vaikka sen keksimisestä on kulunut vuosikymmeniä.

Energiakriisi: Miksi nykypäivän tekoäly tarvitsee uuden suunnitelman

Ongelma tässä rakenteessa on, että tekoälyjärjestelmät vaativat valtavia määriä dataa. Joissakin tapauksissa koko datakeskukset on rakennettava alusta alkaen käyttäen edistyneintä laitteistoa osana järjestelmän vaatimuksia. Valitettavasti tämä rakenne ei ole kestävä.

Suuret datakeskukset ovat valtavia energian kuluttajia, jotka voivat käyttää yhtä paljon energiaa kuin kokonaiset kaupungit. Monissa tapauksissa nämä järjestelmät turvautuvat uusiutuvaan energiaan, mikä on auttanut vähentämään ympäristövaikutuksia. Kuitenkin tekoälyjärjestelmien kasvava kysyntä edellyttää tehokkuuden parantamista, jotta nämä protokollat olisivat kestäviä tulevaisuudessa.

Miksi nykyiset tekoälymallit eivät pysty sopeutumaan reaaliajassa

Lisäksi tämä rakenne tarkoittaa, että näiden protokollien skaalautuvuus perustuu niiden laitteistoon eikä ohjelmistorajoitteisiin. Jopa kehittyneimmänkin järjestelmän on edelleen odotettava, että data siirtyy fyysisesti laitteistokomponenttien välillä laitteessa.

 Esittelyssä Super-Turing AI: Innoittamana ihmisen aivoista

Toinen Turing-pohjaisten tekoälyjärjestelmien haittapuoli on, että ne perustuvat ennalta asetettuihin datapisteisiin. Nykyiset mallit eivät tarjoa tapaa muuttaa niiden suorituskykyä toiminnan aikana. Nämä järjestelmät luottavat annettuun dataan takaisinsyötön suorittamiseksi.

Tämä lähestymistapa eroaa aivoistasi, jotka hyödyntävät tietojen ja ympäristöolosuhteiden yhdistelmää tarkkojen arvioiden tekemiseen murto-osalla energiasta. Erityisesti on biologisesti mahdotonta toistaa takaisinsyöttöä, koska se vaatisi henkilön olevan jo kokenut tilanteen aiemmin. Tunnistaen nämä seikat, insinöörit ovat pyrkineet kehittämään tekoälyjärjestelmän, joka jäljittelee ihmisen oppimista.

Miten synaptiset resistanssit oppivat kuin aivomme

Tutkimus “HfZrO-pohjainen synaptinen resistanssipiiri Super-Turing-älyjärjestelmälle“¹ esittelee neuromorfisen tekoälyjärjestelmän, joka voi jäljitellä aivojen oppimista tarjoten reaaliaikaisen sopeutumisen olosuhteiden perusteella. Tutkimuksen esittivät UCLA:n, Texas A&M:n ja muiden tutkimuslaitosten tutkijat, ja se julkaistiin Science Advances -lehdessä. Toteuttaakseen tämän tehtävän tiimi loi “synstor” (synaptinen resistanssi) -piirin, joka oppii kuin aivosi.

Lähde – Texas A&M:n tietokone- ja sähkötekniikan laitos

Aivojen kaltainen tehokkuus: tekoäly, joka kuluttaa mikrowatteja, ei megawatteja

Tämän tutkimuksen insinöörit tunnistavat, että ihmisen aivot ovat edelleen monilla osa-alueilla tekoälyä edellä, kuten energiankulutuksessa ja joustavuudessa. Aivojen hermoprosessit mahdollistavat monimutkaisten kehon toimintojen suorittamisen samalla kun ne sopeutuvat ympäristön muutoksiin.

Energiankulutuksen osalta ihmisen aivot tarvitsevat vain noin 20 wattia toimiakseen. Vertailun vuoksi nykypäivän kehittynyt tekoälyjärjestelmä voi kuluttaa jopa 1 miljardi wattia toiminnassa. Tämä energiankulutus johtuu prosessointireiteistä ja komponenteista sekä tekoälyjärjestelmän arkkitehtuurista.

Synaptisen plastisuuden ymmärtäminen tekoälyssä

Insinöörit aloittivat tutkimalla aivojen synaptista plastisuutta. Aivoissasi on miljoonia neuroneja, jotka mahdollistavat muistin ja oppimisen. Nämä hermojen kohtaamisalueet kutsutaan synapseiksi. Synaptinen plastisuus viittaa aivojen kykyyn vahvistaa yhteyksiä, joita käytetään usein. Se viittaa myös aivojen kykyyn luoda uusia polkuja, kun se katsotaan tehokkaammaksi.

Aivojen salaisuus: siirtyminen Turing- ja Super-Turing-tilojen välillä

Terävästi aivot voivat toimia sekä Turing-tilassa että super-Turing-tilassa. Turing-tilassa aivot hyödyntävät ennalta opittuja tehtäviä ja toimintoja. Kun odottamattomia tilanteita ilmenee tai olosuhteet muuttuvat ennakoimattomasti, aivot siirtyvät automaattisesti super-Turing-tilaan. Tämä lähestymistapa mahdollistaa aivojen jatkuvan sopeutumisen ympäristöön.

Miten Super-Turing AI oppii ja sopeutuu välittömästi

Tiedemiehet pitävät tätä superkääntymistilaa aivojen ainutlaatuisten kykyjen ytimessä. He hyödynsivät tätä rakennetta uudelleenkuvitellakseen tekoälyarkkitehtuureja, kuvitellen inhimillisemmän toimintavirran, jossa oppiminen ja päättely tapahtuvat samanaikaisesti.

Tämä strategia vähentää energiankulutusta merkittävästi. Massiivisen datan siirtotarpeen poistaminen laitteistokomponenttien välillä vähentää kulutusta ja parantaa suorituskykyä. Se myös tukee reaaliaikaista sopeutumista samalla kun energian kulutus kutistuu uusille alimmille tasoille.

Synstorin sisällä: ferroelektrinen piiri, joka jäljittelee ihmisen oppimista

Tämän tutkimuksen ytimessä on inklusiivisen anturipiirin luominen, joka pystyy samanaikaisesti prosessoimaan, oppimaan ja toimimaan sujuvasti. Tiimi valmisti Hf0.5Zr0.5Ο2-pohjaisten synstorien piirin osana tutkimustaan.

Tämä räätälöity piiri sisälsi synaptisia resistansseja, jotka integroivat ferroelektrisiä HfZrO-materiaaleja. Erityisesti ferroelektriset materiaalit, kuten Hf-oksidit, antavat insinööreille mahdollisuuden luoda skaalautuvia, Si-yhteensopivia, ei‑käänteisiä analogisia muisteja ja neuromorfisia laitteita.

Lennokki-simulaatio: Ihminen vs AI vs Synstor

Tiimi järjesti drone-lentosimulaation ja antoi perinteisen tekoälyn, ihmisen ja super‑Turing‑tekoälyjärjestelmän navigoida simulaatioa testatakseen teoriaansa. Ennen turbulenssia tai esteitä synstor-piiri, ihmisen ohjaajat ja ANN oppivat menestyksekkäästi ohjaamaan dronen kohti kohdesijaintia ilman ongelmia tai viiveitä.

Kuitenkin, kun puut tai voimakas tuuli lisättiin tilanteeseen, kaikkien osapuolten suorituskyky heikkeni. Erityisesti ihminen ja synstor-piirin AI-järjestelmä suorittivat tehtävän. Perinteinen AI-järjestelmä ei pystynyt sopeutumaan uuteen ympäristöön eikä suorittanut testiä, koska lisäesteet heikensivät sen suorituskykyä.

Tekoälyn sopeutuvuus toiminnassa: Drone‑esteiden kurssin tulokset

Tutkimus osoitti, että insinöörien äskettäin kehittämät synaptiset resistanssipiirit tukevat tehokkaita ja sopeutuvia Super‑Turing‑tekoälyjärjestelmiä, jotka voivat navigoida epävarmoissa ja dynaamisissa todellisissa ympäristöissä. He tarkastelivat, miksi vain ihminen ja synstor‑voimainen drone pystyivät suorittamaan radan. Heidän menestyksensä johtui kyvystä sopeutua lennossa.

Miksi Synstor‑piirit ovat harppaus eteenpäin kestävän tekoälyn saralla

Synstor‑piiripohjaisella tekoälyjärjestelmällä on useita etuja, jotka se voi tuoda markkinoille. Ensinnäkin ne avaavat oven kehittyneemmille ja kykenevämmille tekoälyvaihtoehdoille. Nämä protokollat pystyvät samanaikaiseen reaaliaikaiseen päättelyyn ja oppimiseen, tarjoten askeleen kohti seuraavan sukupolven tekoälyprotokollia.

Ekologinen: Insinöörien tekoälyjärjestelmän arkkitehtuuri käyttää murto‑osan sähköstä, jota perinteisten tekoälyprotokollien käyttö vaatii. Tämä parannettu energiankäyttö antaa Synstor‑AI‑järjestelmille mahdollisuuden väittää olevansa data‑tietojen ekologisin tekoälyarkkitehtuuri. Kun näiden palveluiden kysyntä kasvaa, myös kestävien vaihtoehtojen tarve nousee.

Tehokkuus: Insinöörit onnistuivat luomaan järjestelmän, joka jäljittelee ihmisen aivoja. Heidän lähestymistapansa vähentää energiavaatimuksia kaikilla tekoälyjärjestelmien tasoilla ja mahdollistaa tekoälyjärjestelmien maksimoida energian käytön uusien mallien suorittamisessa tai kouluttamisessa.

Sopeutuvuus: Yksi tämän tekoälyrakenteen tärkeimmistä eduista on sen sopeutuvuus. Tekoälyjärjestelmien on oltava nopeampia ja sopeutuvampia käsittelemään kasvavaa tehtävien määrää. Auton ohjaamisesta kotisähköautoon tai siitä, mitä kappaleita soitetaan, tulevat tekoälyjärjestelmät ottavat ympäristönsä huomioon osana prosessointimenetelmiään.

Tulevaisuuden sovellukset: aivojen kaltainen tekoäly autoissa, kannettavissa laitteissa ja sotilasteknologiassa

Aivoihin perustuvalla tekoälyjärjestelmällä on potentiaalia mullistaa ala. Se tarjoaa insinööreille mahdollisuuden kestävään tekoälyn kehittämiseen ja voi tukea huomisen kehittyneiden autonomisten järjestelmien luomista. Tämä teknologia löytää myös tiensä robotiikkaan, kannettaviin laitteisiin ja lääketieteelliseen sektoriin.

Edistynyt laskenta: Voit odottaa näkeväsi edistyneitä tekoälyjärjestelmiä, jotka hyödyntävät tätä tekniikkaa pian. Vähentynyt energiankulutus laskee näiden järjestelmien käyttökustannuksia, tehden niistä houkuttelevan vaihtoehdon nykytilanteeseen verrattuna. Lisäksi synstor‑sirun suunnittelun kehittyessä se edistää laajempaa käyttöönottoa.

Sotilas: Sotilas on yksi suurimmista tekoälyn puolestapuhujista. Tekoälyjärjestelmät voivat auttaa seurannassa, kohdistamisessa, suunnittelussa ja logistiikassa, parantaen minkä tahansa armeijan operatiivisia kykyjä, jotka niitä käyttävät. Tulevaisuudessa näet tekoälyjärjestelmien ohjaavan kehittyneitä leijuvia ammustyyppejä ja droneja sekä auttavan suunnittelijoita ylläpitämään tilannetietoisuutta.

Itseohjautuvat ajoneuvot: Yksi kehittyneen tekoälyn keskeisistä käyttötapauksista on itseohjautuvien ajoneuvojen ohjaus. Täysin itseohjautuvien autojen unelma on edennyt hitaasti, mutta viimeaikaiset edistysaskeleet ovat tehneet visiosta lähempänä kuin koskaan. Tämä viimeisin tekoälyläpimurto auttaa parantamaan suorituskykyä ja avaa oven kehittyneemmille itseohjautuville ajoneuvoille, jotka kykenevät lentämään ja enemmän.

Tämä teknologia auttaa tulevaisuudessa tekemään yhteisöistä turvallisempia ja arkipäiväisistä tehtävistä helpompia. Kuitenkin on vielä joitakin yksityiskohtia ja esteitä, jotka teknologian on voitettava ennen kuin se yleistyy. Haasteista huolimatta potentiaalinen kaupallinen omaksuminen arvioidaan tapahtuvan 5–10 vuoden sisällä, ja lyhyen aikavälin sovelluksia on erikoistuneissa vähävirtaisen tekoälyn tehtävissä.

Tapaa tämän tekoälyläpimurron takana oleva tutkimusryhmä

Texas A&M:n tietokone- ja sähkötekniikan laitoksen ja Kalifornian Los Angelesin yliopiston insinöörit tekivät yhteistyötä tuodakseen tämän tutkimuksen valoon. Erityisesti Jungmin Lee, Rahul Shenoy ja Atharva Deo johtivat tutkimusta.

Heille avusti insinööriyhteisö, johon kuuluivat 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 ja Yong Chen. Erityisesti tutkimus sai rahoitusta Ilmavoimien tieteellisen tutkimuksen toimistolta.

 Liiketoimintanäkökulma: Miten NVIDIA ja muut edistävät neuromorfista tekoälyä

Tekoälykilpailu on käynnissä, ja kilpailevat yritykset käyttävät miljardeja pyrkiessään hallitsemaan alaa. Tekoälyn melko mullistava luonne luo uusia mahdollisuuksia yrityksille kuten OpenAI, jotka voivat nousta tyhjästä ja varmistaa ylimmän paikan markkinoilla. Vaikka on erittäin vaikeaa määrittää, kuka on seuraava uusi toimija alalla, on helppo nähdä, ketkä ovat hallinneet markkinoita viime vuosina.

NVIDIA Corporation

NVIDIA (NVDA ) astui markkinoille vuonna 1993 ja sijaitsee Kaliforniassa. Maailmankuulu 3D‑grafiikkakorttivalmistaja oli vuosien varrella ASIC‑ ja muita mullistavia suunnitelmia edelläkävijä. Nämä päivitykset auttoivat yritystä brändäämään itsensä peligrafiikkakorttiyrityksestä yhdeksi tunnistetuimmista nimistä tekoälysektorilla.

 NVIDIAn nousu ei jäänyt huomaamatta. Sen osake on kokenut merkittävää kasvua, ja kesäkuussa 2024 yritys saavutti 3 trillion dollarin markkina-arvon. Tänään NVIDIA on johtava neuromorfisen ja reunatason tekoälylaitteiston toimija. Siksi se on vahvasti mukana suunnittelemassa tekoälyn päättelytehokkuutta ja aivoihin perustuvia arkkitehtuureja. Ne, jotka etsivät luotettavaa ja todistettua tekoälyosaketta, kannattaa käyttää aikaa tutkiakseen tarkemmin NVIDIAa.

For a closer look at NVIDIA, make sure to katsot tarkemmin tämän teollisuusjättiläisen esittelyä.

Uusimmat tiedot NVIDIA Corporationista

Tekoälyn tulevaisuus: luonnollinen älykkyys, keinotekoisesti suunniteltu

Tämän tutkimuksen insinöörit ovat avanneet uuden tason tekoälyn kyvyssä. Heidän uusi sirumuotoilunsa mahdollistaa tekoälyn kehittää nopeammin ja älykkäämpiä algoritmeja. Nämä järjestelmät tulevat jonain päivänä virtaamaan lähes jokaisessa elämäsi komponentissa. Toistaiseksi tämä tutkimus osoitti, miten tiedemiehet voivat löytää inspiraatiota luonnosta ja ihmiskehosta viedäkseen innovaatiota uusiin korkeuksiin.

Tutustu muihin hienoihin tekoälyprojekteihin nyt.

Viitteet:

^{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-pohjainen synaptinen resistanssipiiri Super-Turing-älyjärjestelmälle. Science Advances, 11(9), eadr2082. https://doi.org/10.1126/sciadv.adr2082}