India i sentrum av AI‑kappløpet – Hvordan nevromorfisk databehandling kan skyve nasjonen til fronten

Den kunstige intelligens (AI) industrien er i ferd med å endre verden på dramatisk vis ettersom den blir en integrert del av virksomheter på tvers av sektorer. 

Fra helsevesen, detaljhandel, finans, produksjon og forsyningskjede til utdanning, energi og underholdningsindustrier har det vært en økende etterspørsel etter AI‑drevne verktøy. 

Ifølge PWC, kan AI transformere produktiviteten og BNP‑potensialet i den globale økonomien, med de største gevinstene som forventes i Kina og Nord‑America, tilsvarende totalt 10,7 billioner dollar.

Drevet av denne økende bruken, forventes AI‑markedet å vokse fra 50 milliarder dollar i 2023 til godt over 800 milliarder dollar innen slutten av dette tiåret, ifølge Statista.

Dette AI‑boomet har ført til konkurranse mellom store selskaper om å utvikle de mest kraftfulle AI‑modellene globalt, og land er ivrige til å fremme sine egne konkurrerende AI‑systemer.

Midt i dette har India fremstått som en nøkkelspiller, med 92 % av kunnskapsarbeidere som bruker generativ AI sammenlignet med det mye lavere globale gjennomsnittet på 75 %.

Bare sent i forrige måned avduket Asiens rikeste mann, Mukesh Ambani, styreleder i Reliance Industries (RELIANCE.BO ), «JioBrain», en pakke med AI‑verktøy og -applikasjoner for å transformere virksomheter innen energi, tekstil og mer. Reliance sin telekommunikasjonsvirksomhet samarbeider for tiden med Indian Institute of Technology (IIT) om å lansere «Bharat GPT» for indiske brukere. 

«Vi må være i front når det gjelder bruk av data, med AI som en muliggjører for å oppnå et kvantesprang i produktivitet og effektivitet.»

– Mukesh Ambani

Etter å ha bygget en kraftig IT‑industri verdt 250 milliarder dollar, har India nå satt blikket på AI‑tjenester, som ifølge en rapport fra Nasscom og BCG kan være verdt 17 milliarder dollar i løpet av de neste tre årene. 

Med over 900 millioner internettbrukere har India fremstått som «verdens datakapital». Det faktum at så mye data er offentlig tilgjengelig er svært gunstig for selskaper, ettersom de kan skrive sine egne AI‑algoritmer.

Imidlertid er datakraft og delte ressurser nødvendige for å akselerere landets AI‑industri. For dette har den indiske regjeringen anskaffet tusen GPU‑er for å tilby datakapasitet til AI‑utviklere. 

Tidligere i år ankom den første leveransen av Nvidia (NVDA ) ‑brikker til indiske datasentre etter at administrerende direktør i verdens største chipprodusent, Jensen Huang, besøkte India og hadde en samtale med statsminister Narendra Modi og teknologiledere.

«Dere har dataene, dere har talentet. Dette kommer til å bli ett av de største AI‑markedene i verden.»

– Huang sa til statsministeren på den tiden

Et gjennombrudd: Å etterligne hjernen for smartere databehandling

Midt i alt dette gjorde forskere ved Centre for Nano Science and Engineering (CeNSe), Indian Institute of Science (IISc), Bangalore, India, et stort gjennombrudd innen nevromorfisk datateknologi. Denne teknologien etterligner den menneskelige hjernens struktur og funksjon for å skape mer effektive og intelligente datasystemer.

Denne betydningsfulle fremgangen kan hjelpe India med å bli en viktig aktør i det globale AI‑kappløpet og gjøre AI‑databehandling tilgjengelig for alle og integrert i deres personlige enheter.

Dette er uten tvil en stor prestasjon, gitt at den konvensjonelle «cloud computing‑modellen» krever store datasentre som forbruker mye energi. Bruk av ressurskrevende datasentre begrenser deres bruk til et lite fellesskap av utviklere.

Nevromorfisk maskinvare lover forbedret energieffektivitet og plass for AI. Imidlertid kan den for øyeblikket kun håndtere lavnøyaktige operasjoner. Oppgaver som NLP, trening av nevrale nettverk og signalbehandling krever betydelig mer beregningsoppløsning og er for tiden utenfor rekkevidden til individuelle nevromorfiske kretskomponenter.

Den siste fremgangen fra IISc‑forskerne kan imidlertid faktisk bidra til dette og flytte feltet mot «edge computing», som bringer databehandling og lagring nærmere enheter som skaper og bruker dataene. Dette reduserer latens, forbedrer applikasjonsytelse og sparer nettverkskostnader. 

Edge computing gjør det også mulig for sanntidsapplikasjoner, samt AI‑ og maskinlæringsapplikasjoner, å behandle store datamengder med høyere hastighet og pålitelighet. 

Publisert i Nature, den siste forskningen av professor Sreetosh Goswami ved CeNSe, IISC, som ledet en gruppe forskere og studenter, utviklet en type halvlederenhet kalt Memristor. I stedet for tradisjonell silisiumbasert teknologi ble Memristor laget ved hjelp av en metall‑organisk film.

Bruken av molekylære filmer tillot forskerne å spore frie ioniske bevegelser, noe som utvidet minneveiene.

For å etablere kinetisk kontroll over den molekylære overgangen som muliggjorde de nevromorfiske egenskapene i et enkelt krets‑element, påførte forskerne spenningspulsar og kartla deretter molekylære bevegelser til et distinkt elektrisk signal. Dette skapte en omfattende «molekylær dagbok» over ulike tilstander.

«På grunn av denne frie ioniske bevegelsen ble utallige unike minnetilstander og -veier generert. Sånne mellomliggende tilstander har hittil vært utilgjengelige, ettersom de fleste digitale enheter kun kan få tilgang til to henholdsvis høy‑ og lavkonduktans‑tilstander.»

– Professor Sreebrata Goswami, far til Prof. Sreetosh, en gjesteforsker ved CeNSe

Denne plattformen, ved å kombinere kjemiens kreativitet og den elektriske ingeniørkunstens presisjon, har «gjort det mulig for oss å kontrollere molekylær kinetikk svært presist inne i en elektronisk krets drevet av nanosekundspenningspulsar», la han til.

Den molekylære endringen var liten, men den var akkurat det som muliggjorde den svært presise og effektive nevromorfiske akseleratoren. Denne første‑til‑sin‑slag‑akseleratoren kan lagre og behandle data på samme sted.

Dermed tillot materialet i hovedsak halvlederenheten å etterligne hvordan hjernen vår behandler informasjon ved hjelp av synapser og nevroner. Når den integreres med en vanlig digital datamaskin, økte Memristor dens energi‑ og hastighetsytelse hundrevis av ganger, og ble dermed en energieffektiv «AI‑akselerator».

Den eventuale skaleringen av teknologien forventes å gjøre det mulig å utføre de mest komplekse og storskala AI‑oppgavene, som LLM‑trening, på en enkel forbrukerlaptop eller smarttelefon i stedet for å trenge datasentre.

Styrking av AI‑kapasitet med Memristor‑teknologi

Med den økende etterspørselen etter raskere og mer effektive smarttelefoner har digital databehandling basert på silisiumtransistor‑teknologi allerede møtt begrensninger. I tillegg til AI‑veksten er det nå et kritisk behov for innovasjoner som kan forbedre behandlingshastigheten og energieffektiviteten i dagens datasystemer betydelig.

For å lage en slik enhet brukte IISc‑forskerne metall‑organisk film‑metoden for sine Memristors — en In‑Memory Computing‑tilnærming som chipprodusenter har tatt i bruk for å overvinne problemene, men som har hatt begrenset suksess — som fungerer som hjernens neuron‑synapse‑krets.

Mens gjennom 2010‑tallet prøvde selskaper å etterligne hjernen, fortsatte de å bruke silisiumtransistorer og oppnådde ingen betydelige gevinster.

«På 2020‑tallet flytter forskningsinvesteringene seg tilbake til akademia fordi man innser at vi trenger mye mer grunnleggende oppdagelser for faktisk å oppnå hjerneinspirert databehandling. Hvis man bare tar en brute‑force‑tilnærming ved å bruke transistorer og påtvinge visse algoritmer, vil det ikke fungere.»

– Sreetosh sa i et intervju

I hjernen vår er minne og prosessering ikke noe som ligner på en digital datamaskin. Det finnes ingen 0‑er og 1‑ere som brukes til informasjonsbehandling eller å dele data i små biter. Det hjernen gjør er å svelge store datamengder for å behandle informasjon, noe som drastisk reduserer antall trinn som kreves for å få svar, og gjør den ekstremt energieffektiv.

Kombinasjonen av analog databehandling og Memristor‑teknologi gjør nevromorfisk databehandling rask og svært effektiv.

Dermed lagret og behandlet teamet data i 16 520 tilstander samtidig i stedet for bare to (nuller og ettall). Dette reduserte antall trinn som kreves for å utføre den grunnleggende matematikken bak AI‑algoritmer, som å multiplisere 64 × 64‑matriser, til kun 64 trinn, som ellers ville ha krevd 262 144 operasjoner.

For å teste enheten koblet teamet den til en konvensjonell stasjonær datamaskin og brukte den deretter til å utføre den komplekse oppgaven med å gjenskape NASA‑bildet «Pillars of Creation» ved hjelp av data fra James Webb‑romteleskopet. Oppgaven ble fullført mye raskere og med betydelig mindre energi enn en vanlig datamaskin.

Teamet rapporterte en energieffektivitet på 4,1 tera‑operasjoner per sekund per watt (TOPS/W), noe som er 220 ganger mer effektivt enn en NVIDIA K80 GPU, med betydelig rom for ytterligere forbedringer.

«Nevromorfisk databehandling har hatt sin andel av uløste utfordringer i over et tiår», bemerket Sreetosh, og la til at under deres tiårige forskning og «sjeldne» oppdagelse, klarte teamet å løse alle seks utfordringer de startet med, og i prosessen «nesten perfeksjonerte systemet».

I dagens fase er det bare et prinsippbevis, men til tross for at det er i en tidlig fase, mener forskerne at faktumet at teamet oppnådde en forbedring på fire størrelsesordener over de avanserte metodene samtidig som de brukte 460 ganger mindre energi enn digitale datamaskiner, kan dette fremskrittet hjelpe India med å ta et betydelig sprang innen AI‑maskinvare.

Ifølge Navakanta Bhat, en silisium‑elektronikk‑ekspert som er professor ved CeNSE (og som også ledet prosjektets design):

«Det som skiller seg ut er hvordan vi har omgjort kompleks forståelse av fysikk og kjemi til banebrytende teknologi for AI‑maskinvare. I konteksten av India Semiconductor Mission kan denne utviklingen være en spillveksler som revolusjonerer industrielle, forbruker‑ og strategiske applikasjoner. Den nasjonale betydningen av slik forskning kan ikke overdrives.»

I neste fase vil teamet bygge større matriser som går opp til 256 × 256. Finansiert av Ministry of Electronics and Information Technology (MeitY), har forskningen også som mål å utvikle og demonstrere en System‑on‑Chip‑løsning og til slutt inkubere en oppstart for kommersialisering, noe som forventes å skje i løpet av de neste tre årene. 

Posisjonering av India som en global leder innen AI 

En kombinasjon av forskningsinstitusjoner, oppstartsbedrifter og store teknologiselskaper driver den betydelige veksten som AI‑sektoren i India opplever nå. Det er takket være disse aktørene at den teoretiske AI blir vellykket overført til virkelige applikasjoner.

Men det er ikke alt. Indias raskt voksende AI‑industri har også fått betydelig støtte fra regjeringen, som har introdusert flere strategiske politiske tiltak og initiativer, som den nasjonale AI‑strategien, AI Task Force og AI Mission, for å fremskynde utviklingen.

Ved å øke investeringene til 1,25 milliarder dollar mot «IndiaAI Mission», fungerer regjeringen som den viktigste drivkraften bak Indias AI‑transformasjon.

Ministry of Electronics and Information Technology (MeitY), som finansierte det siste datagjennombruddet ved IISc, har søkt etter AI‑løsninger under IndiaAI Mission.

MeitY har invitert søknader om AI‑løsninger for å takle hovedutfordringer innen klimaendringer, landbruk, helsevesen og hjelpemiddelteknologi. Søkerne vil gjennomgå flere evalueringsrunder, og når de er valgt, vil de få tildelt midler til å videreutvikle og implementere løsningen for bruk av regjeringen og tilknyttede enheter i fire år.

Initiativet er tatt under IndiaAI Application Development Initiative (IADI), en av IndiaAIs syv pilarer. Ministeriet har spesifisert opptil femten problemstillinger i søknadsdokumentet.

Et annet sted valgte AWS syv indiske oppstartsbedrifter til sitt globale Generative AI‑akseleratorprogram. Disse oppstartsbedriftene inkluderer Zocket, Unscripted AI, Phot.ai, Orbo.ai, Neural Garage, House of Models og Converse. Blant de 80 selskapene som ble valgt av AWS fra hele verden, ble oppstartsbedriftene valgt for sin innovative bruk av AI og sine globale vekstambisjoner. 

Alle de valgte selskapene vil få tilgang til selskapets AI‑brikker samt databehandlings‑ og lagringsteknologi. De vil også få AWS‑kreditter, opplæring og veiledning for å videreutvikle bruken av AI‑ og maskinlæringsteknologier.

Selv om landet gjør betydelige fremskritt, er det fortsatt mange hindringer på veien mot AI‑overlegenhet. India må takle mangelen på kompetanse og tilstrekkelig infrastruktur for fullt ut å realisere sitt potensial til å bli en global leder innen AI. 

Selskaper som hjelper med å fremme Indias AI‑marked

Det voksende AI‑markedet i India har ført til at flere selskaper arbeider med å fremme AI. For eksempel ble AI‑oppstartsbedriften Krutrim Indias første unicorn i år da den sikret 50 millioner dollar i finansiering fra Lightspeed Venture Partners og milliardæren Vinod Khosla. I mellomtiden kunngjorde Asiens nest rikeste person, Gautam Adani, et joint venture med UAE for å utforske AI og diversifisere inn i digitale tjenester. 

Microsoft (MSFT ) driver også initiativer i India som har som mål å utruste 2 millioner mennesker med AI‑ferdigheter. Infosys, Wipro, Tech Mahindra (TECHM.BO ) og Larsen & Toubro (LT.BO ) (L&T), blant andre, bruker AI i sine virksomheter. HCL Technologies (HCLTECH.BO ) har i mellomtiden signert en avtale med Kinas Foxconn om å etablere en chip‑testingsfasilitet.

La oss nå se på et fremtredende navn i Indias AI‑industri:

Tata Consultancy Services (TCS)

Det største programvareselskapet i India, TCS, investerte 1,5 milliarder dollar i en generativ AI‑prosjektpipeline i juli i år. Dette kommer etter at TCS etablerte en dedikert AI Cloud‑forretningsenhet i fjor. I tillegg finnes AI‑erfaringssonen som lar ansatte utvikle og eksperimentere med AI‑løsninger. Så langt har over 300 000 TCS‑ansatte fått grunnleggende AI‑opplæring, mens selskapet for tiden håndterer mer enn 270 AI‑ og generative AI‑prosjekter.

TCS arbeider også med å styrke halvlederindustrien i India og samarbeider med Tata Electronics om å utvikle brikker innen 2026. Tata Electronics leder i mellomtiden produksjonen med to godkjente halvlederfabrikker. Den første anlegget på 11 milliarder USD vil bli etablert sammen med Taiwans Powerchip Semiconductor Manufacturing Corporation (PSMC) med mål om å produsere 50 000 wafer per måned. Det andre anlegget på 3,26 milliarder USD vil være en chip‑monterings‑ og testfasilitet som forventes å starte drift i de kommende årene.

Når det gjelder økonomi, TCS rapporterte en økning på +3,9 % år‑over‑år i inntektene til 7,51 milliarder USD for Q2 2024. Nettoresultatet var 1,44 milliarder USD, mens netto kontantstrøm fra driften var 1,34 milliarder USD. Selskapet rapporterte også «svært sterk» vekst i fremvoksende markeder, ledet av India.

Konklusjon

India, med sin unge og digitalt dyktige befolkning, er godt posisjonert til å drive veksten av AI ikke bare lokalt, men på globalt nivå. AI‑markedet i India er faktisk prognostisert å nå 8 milliarder dollar innen 2025. 

Gjennom pågående forskning og utvikling, som demonstrert av IISc, kan landet bli en nøkkelspiller i AI‑kappløpet. Men for at India virkelig skal ta ledelsen, må alle interessenter samarbeide for å støtte landets AI‑reise, frigjøre det enorme potensialet og fullstendig transformere AI.

Klikk her for å lære alt om investering i kunstig intelligens.