超低電力でリアルタイム学習する新しい脳インスパイアAI

人間の脳は世界で最も高度なスーパーコンピュータです。今日のAIシステムのように巨大なデータセンターを使用せずに、同時に学習と適応が可能です。今月、テキサスA&M大学コンピュータ・電気工学部および他の主要機関のエンジニアチームが、性能向上とよりスマートなプロトコルへの道を開く可能性のある脳インスパイアAIシステムを発表しました。以下が知っておくべきポイントです。

従来のAIとチューリングアーキテクチャの限界

人工知能は世界で最も急速に成長し、最もエキサイティングな技術産業の一つです。数年の短期間で、AIアルゴリズムはGoogleやMicrosoft (MSFT ) の上級エンジニアだけが利用できるものから、一般の人々が日常的に使えるツールへと変化しました。この過程で、AIシステムは性能と機能を継続的に向上させてきました。性能の向上と同時に、ハードウェアの能力も向上しています。

特に、AIシステムはチューリングアーキテクチャに依存しています。この計算方式はその発明者であるアラン・チューリングにちなんで名付けられました。彼は、コンピュータの一部の操作を分離すれば、より高い性能を実現できると考案しました。

この構造は、コンピュータの処理部とメモリがチップ設計内で物理的に分離されていることを意味します。この分離はそれ以来、機械のハードウェア設計を支配してきました。彼のコンピュータに対するビジョンは、発見から数十年経った現在でも最も広く使用されているアーキテクチャとして残っています。

エネルギー危機：現代AIが新たな設計図を必要とする理由

このレイアウトの問題点は、AIシステムが膨大なデータを必要とすることです。場合によっては、システム要件の一部として最先端ハードウェアを使用し、ゼロからデータセンター全体を構築しなければなりません。残念ながら、この構造は持続可能ではありません。

大規模なデータセンターは、都市全体と同等のエネルギーを消費する巨大な電力消費源です。多くの場合、これらのシステムは再生可能エネルギーに依存しており、環境への影響を軽減しています。しかし、AIシステムへの需要が増大するにつれて、将来的にこれらのプロトコルを持続可能にするためには効率の向上が必要です。

なぜ現在のAIモデルはリアルタイムで適応できないのか

さらに、この構造は、これらのプロトコルのスケーラビリティがソフトウェアの制約ではなくハードウェアに依存していることを意味します。最も高度なシステムでさえ、デバイス上のハードウェアコンポーネント間でデータが物理的に送信されるのを待たなければなりません。

スーパー・チューリングAIの紹介：人間の脳にインスパイアされた

チューリングベースのAIシステムのもう一つの欠点は、事前に設定されたデータポイントに依存していることです。現在のモデルは、運用中に性能を変更する手段を提供していません。これらのシステムは、バックプロパゲーションを完了するために提供されたデータに依存しています。

このアプローチは、知識と環境条件の組み合わせを利用してごく少量のエネルギーで正確な評価を行う脳とは異なります。特に、バックプロパゲーションを再現することは生物学的に不可能です。なぜなら、事前にその状況を経験している必要があるからです。これらの事実を認識し、エンジニアは人間の学習を模倣するAIシステムの開発に取り組んできました。

シナプス抵抗が脳のように学習する仕組み

この研究は、HfZrOベースのシナプス抵抗回路によるスーパー・チューリング知能システムというタイトルの研究で、脳が学習する方法を模倣し、条件に基づくリアルタイムの適応性を提供できるニューロモルフィックAIシステムを紹介しています。この研究はUCLA、テキサスA&M、その他の研究機関の研究者チームによって提案され、Science Advancesに掲載されました。 この課題を達成するために、チームは「シンストア」（シナプス抵抗）回路を作成し、脳のように学習できるようにしました。

出典 – テキサスA&M大学 コンピュータ・電気工学部

脳のような効率性：マイクロワットで動作するAI、メガワットではない

この研究のエンジニアは、人間の脳がエネルギー消費や柔軟性など多くの面でAIよりもはるかに優れていることを認識しています。脳の神経プロセスは、複雑な身体機能を実行しながら、周囲の変化する条件に同時に適応することを可能にします。

エネルギー効率の観点から見ると、人間の脳は約20ワットで動作します。これに対し、現在の高度なAIシステムは運用時に最大10億ワットを消費する可能性があります。この電力消費は、処理経路やコンポーネント、そしてAIシステムのアーキテクチャから生じています。

人工知能におけるシナプス可塑性の理解

エンジニアはまず、脳におけるシナプス可塑性の研究から始めました。脳には記憶と学習を支える数百万のニューロンがあります。神経が接続する領域はシナプスと呼ばれます。シナプス可塑性は、頻繁に使用される接続を強化する脳の能力を指し、また、より効率的と判断された場合に新しい経路を作り出す脳の能力も指します。

脳の秘密：チューリングモードとスーパー・チューリングモードの切り替え

脳は巧みにチューリングモードとスーパー・チューリングモードの両方で動作できます。チューリング状態では、事前に学習したタスクや行動を利用します。予期せぬシナリオが発生したり、条件が予測不能に変化した場合、脳は自動的にスーパー・チューリング状態に切り替わります。このアプローチにより、脳は常に環境に適応できるのです。

スーパー・チューリングAIが瞬時に学習・適応する方法

科学者は、このスーパー・ターン状態が脳の独自の能力の核心であると考えています。彼らはこの構造を利用してAIアーキテクチャを再構築し、学習と推論が同時に行われる、より人間らしい動作フローを構想しました。

この戦略はエネルギー消費を大幅に削減します。ハードウェアコンポーネント間で大量のデータを移動させる必要がなくなることで、消費が減り、性能が向上します。また、リアルタイムの適応性をサポートしながら、電力消費を新たな低水準にまで縮小します。

シンストアの内部：人間の学習を模倣する強誘電回路

この研究の核心は、同時に処理・学習・スムーズな動作が可能な包括的センサー回路の作成です。チームは研究の一環として、Hf0.5Zr0.5Ο2ベースのシンストア回路を製造しました。

このカスタム回路は、強誘電性HfZrO材料を組み込んだシナプス抵抗を特徴としています。特に、Hf酸化物のような強誘電材料は、エンジニアにスケーラブルでシリコン互換性のある不揮発性アナログメモリやニューロモルフィックデバイスを作成する能力を提供します。

ドローンシミュレーション：人間 vs AI vs シンストア

チームはドローン飛行シミュレーションを設定し、従来のAI、人間、そしてスーパー・チューリングAIシステムにシミュレーションをナビゲートさせ、理論を検証しました。乱流や障害物がない状態では、シンストア回路、人間のオペレーター、そしてANNは、問題や遅延なくドローンを目標位置へ導くことに成功しました。

しかし、木や強風が加わると、すべてのパーティの性能が低下しました。具体的には、人間とシンストア回路AIシステムはタスクを完了しましたが、従来のAIシステムは新しい環境に適応できず、追加された障害物により性能が低下したためテストを完了できませんでした。

AI適応性の実証：ドローン障害物コースの結果

この研究は、エンジニアが新たに開発したシナプス抵抗回路が、未知で動的な実世界環境をナビゲートできる効率的かつ適応的なスーパー・チューリングAIシステムを支えることを示しました。彼らは、なぜ人間とシンストア搭載ドローンだけがコースを完了できたのかを検証しました。その成功は、即座に適応できる能力によるものでした。

シンストア回路が持続可能なAIの大きな飛躍である理由

シンストア回路AIシステムが市場にもたらす利点は複数あります。まず、より高度で有能なAIオプションへの道を開くことです。これらのプロトコルは、同時リアルタイム推論と学習が可能で、次世代AIプロトコルへの踏み台となります。

エコフレンドリー：エンジニアのAIシステムアーキテクチャは、従来のAIプロトコルが必要とする電力のごく一部しか使用しません。この電力使用の向上により、Synstor AIシステムはデータ向けの最もエコフレンドリーなAIアーキテクチャとしての称号を得ることができます。これらのサービスへの需要が増加すれば、持続可能なオプションへの必要性も高まります。

効率性：エンジニアは人間の脳を模倣したシステムを成功裏に作成しました。このアプローチはAIシステム全体のエネルギー要件を削減し、新しいモデルの実行やトレーニング時に電力消費を最大化できるようにします。

適応性：このAI構造の主な利点の一つは適応性です。AIシステムは、増大するタスク数に対応するために、より高速で柔軟になる必要があります。自動車の運転から再生可能エネルギーの管理、音楽の選択まで、将来のAIシステムは環境を処理手順の一部として考慮に入れるでしょう。

将来の応用：自動車、ウェアラブル、軍事技術における脳型AI

脳インスパイアAIシステムは、業界に革命をもたらす可能性があります。エンジニアに持続可能なAI開発の見通しを提供し、将来の高度な自律システムの創出を支援できるでしょう。この技術はロボティクス、ウェアラブル、医療分野にも応用されるでしょう。

高度なコンピューティング：この技術を活用した高度なAIシステムが近く登場することが期待されます。電力消費の削減は、これらのシステムの運用コストを低減し、現状に対する魅力的な選択肢となります。また、シンストアチップ設計が進化すれば、さらなる採用が促進されます。

軍事：軍はAIの最大の推進者の一つです。AIシステムは追跡、標的設定、計画、物流を支援し、利用する軍の作戦能力を向上させます。将来的には、AIシステムが高度な滞空兵器やドローンに電力を供給し、プランナーが状況認識を維持するのに役立つでしょう。

自律走行車：高度なAIの主要なユースケースの一つは自律走行車の操縦です。完全自律車の実現は遅れていましたが、最近の進展によりビジョンはかつてないほど近づいています。この最新のAIブレークスルーは性能向上に寄与し、飛行やその他の高度な自律車両への道を開くでしょう。

この技術は将来的にコミュニティを安全にし、日常のタスクを容易にするでしょう。しかし、主流になるまでに克服すべき詳細や課題がまだ残っています。遅れはあるものの、商業的採用は5〜10年以内に見込まれ、近い将来は低消費電力AIタスクの専門分野での応用が期待されています。

このAIブレークスルーを支える研究チームの紹介

テキサスA&M大学コンピュータ・電気工学部とカリフォルニア大学ロサンゼルス校（UCLA）のエンジニアが協力し、この研究を実現しました。具体的には、Jungmin Lee、Rahul Shenoy、Atharva Deoが研究を主導しました。

彼らは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、Yong Chenらのチームから支援を受けました。特筆すべきは、研究が米空軍科学研究局から資金提供を受けたことです。

ビジネス視点：NVIDIA他がニューロモルフィックAIを推進する方法

AI競争が激化しており、競合企業はセクター支配を目指して数十億ドルを投資しています。AIの比較的破壊的な性質により、OpenAIのような企業が無から台頭し、市場でトップの座を確保する新たな機会が生まれています。次のプレイヤーが誰になるかを予測するのは非常に難しいですが、過去数年で市場を支配してきた企業は明らかです。

NVIDIA Corporation

NVIDIA (NVDA ) は1993年に市場に参入し、カリフォルニアに拠点を置いています。現在では世界的に有名な3Dグラフィックスカードメーカーで、長年にわたりASICやその他の画期的な設計を先駆けてきました。これらのアップグレードにより、同社はゲーム向けグラフィックスカード企業からAI分野で最も認知度の高い名前の一つへとブランド転換を果たしました。

NVIDIAの台頭は注目を浴びました。同社の株価は大幅に上昇し、2024年6月には時価総額3兆ドルに達しました。現在、NVIDIAはニューロモルフィックおよびエッジAIハードウェアのリーダーです。そのため、AI推論効率や脳インスパイアアーキテクチャの設計に深く関与しています。信頼できる実績のあるAI株を探すなら、NVIDIAについてさらに調査する価値があります。

NVIDIAを詳しく見るには、ぜひ当社のこの業界大手のスポットライトをご覧ください。

NVIDIA社の最新情報

AIの未来：自然知能、人工的に設計された知能

この研究のエンジニアは、AI能力の新たなレベルを切り開きました。新しいチップ設計により、AIはより高速かつ賢いアルゴリズムを開発できるようになります。これらのシステムは将来的に、あなたの生活のほぼすべてのコンポーネントに電力を供給するでしょう。現在のところ、この研究は科学者が自然や人体からインスピレーションを得て、イノベーションを新たな高みへと導く方法を実証しています。

他のクールなAIプロジェクトについて知るには今すぐ。

参照された研究：

^{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ベースのシナプス抵抗回路によるスーパー・チューリング知能システム. Science Advances, 11(9), eadr2082. https://doi.org/10.1126/sciadv.adr2082}