Ny hjerneinspirert AI lærer i sanntid med ultralavt strømforbruk

Den menneskelige hjernen er den mest avanserte superdatamaskinen i verden. Den kan samtidig lære og tilpasse seg uten bruk av massive datasentre som dagens AI‑systemer. Denne måneden introduserte et team av ingeniører fra Texas A&M Department of Computer and Electrical Engineering og andre ledende institusjoner et hjerneinspirert AI‑system som kan låse opp bedre ytelse og åpne døren for smartere protokoller. Her er det du trenger å vite. 

Begrensningene ved tradisjonell AI og Turing‑arkitekturen

Kunstig intelligens er en av de raskest voksende og mest spennende teknologibransjene i verden. På noen få år gikk AI‑algoritmer fra å kun være tilgjengelige for høytstående ingeniører hos Google og Microsoft (MSFT ) til å bli et vanlig verktøy for den gjennomsnittlige personen. På denne reisen har AI‑systemer kontinuerlig økt i ytelse og evner. Samtidig har også maskinvarekapasiteten økt. 

Spesielt er AI‑systemer avhengige av Turing‑arkitekturen. Denne datastilen er oppkalt etter oppfinneren, Alan Turing. Han konkluderte med at datamaskiner kunne levere bedre ytelse dersom visse deler av deres operasjoner ble separert. 

Denne strukturen betyr at datamaskiner har sin prosessering og minne fysisk adskilt i chipdesignen. Denne separasjonen har diktert maskinvareutformingen av maskiner siden den gang. Hans visjon for datamaskiner forblir den mest brukte arkitekturen, til tross for at det er tiår siden oppdagelsen. 

Energikrisen: Hvorfor moderne AI trenger en ny plan

Problemet med dette oppsettet er at AI‑systemer krever enorme mengder data. I noen tilfeller må hele datasentre bygges fra bunnen av, med den mest avanserte maskinvaren som en del av systemkravene. Dessverre er denne strukturen ikke bærekraftig. 

Store datasentre er enorme energiforbrukere som kan bruke like mye strøm som hele byer. I mange tilfeller er disse systemene avhengige av fornybar energi, noe som har bidratt til å redusere miljøpåvirkningen. Imidlertid betyr den økende etterspørselen etter AI‑systemer at det må skje en oppgradering i effektivitet for å gjøre disse protokollene bærekraftige i fremtiden.

Hvorfor dagens AI‑modeller ikke kan tilpasse seg i sanntid

I tillegg betyr denne strukturen at skalerbarheten til disse protokollene er basert på maskinvaren snarere enn programvarebegrensningene. Selv de mest avanserte systemene må fortsatt vente på at data fysisk overføres mellom maskinvarekomponentene på en enhet. 

 Introduksjon av en Super‑Turing AI: Inspirert av den menneskelige hjernen

En annen ulempe med Turing‑baserte AI‑systemer er at de er avhengige av forhåndsdefinerte datapunkter. Dagens modeller tilbyr ingen måte å endre ytelsen under drift. Disse systemene er avhengige av de leverte dataene for å fullføre tilbakepropagering. 

Denne tilnærmingen skiller seg fra hjernen din, som bruker en kombinasjon av kunnskap og miljøforhold for å gjøre nøyaktige vurderinger med en brøkdel av energien. Merk at det er biologisk umulig å replikere tilbakepropagering fordi det ville kreve at personen allerede hadde opplevd situasjonen på forhånd. Med denne erkjennelsen har ingeniører søkt å utvikle et AI‑system som etterligner menneskelig læring.  

Hvordan synaptiske motstander lærer som våre hjerner

Studien “HfZrO-basert synaptisk motstandskrets for et Super‑Turing intelligent system“¹ introduserer et nevromorft AI‑system som kan etterligne hvordan hjernen lærer for å gi sanntids tilpasning basert på forhold. Studien ble presentert av et team av forskere fra UCLA, Texas A&M og andre forskningsinstitusjoner og ble publisert i Science Advances. For å oppnå dette laget teamet en “synstor” (synaptisk motstand) krets som kan lære som hjernen din. 

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

Hjerneliknende effektivitet: AI som bruker mikrowatt, ikke megawatt

Ingeniørene bak denne studien erkjenner at den menneskelige hjernen fortsatt er langt foran AI på mange områder, som energiforbruk og fleksibilitet. Hjernens nevrale prosesser gjør den i stand til å utføre komplekse kroppsfunksjoner samtidig som den tilpasser seg endrede forhold rundt deg. 

Når det gjelder energieffektivitet, krever den menneskelige hjernen bare omtrent 20 watt for å fungere. Til sammenligning kan dagens avanserte AI‑system bruke opptil 1 milliard watt under drift. Dette strømforbruket kommer fra behandlingsveiene og komponentene, i tillegg til AI‑systemets arkitektur.  

 Forståelse av synaptisk plastisitet i kunstig intelligens

Ingeniørene begynte med å studere synaptisk plastisitet i hjerner. Hjernen din har millioner av nevroner som driver hukommelsen og læringen din. Disse kommunikasjonsområdene hvor nerver møtes kalles synapser. Synaptisk plastisitet refererer til hjernens evne til å styrke forbindelser som brukes hyppigere. Det refererer også til hjernens evne til å skape nye veier når det anses som mer effektivt. 

Hjernens hemmelighet: Bytte mellom Turing‑ og Super‑Turing‑moduser

Interessant nok kan hjerner operere både i Turing‑modus og i super‑Turing‑modus. Når den er i en Turing‑operasjonsstatus, vil hjernen din bruke forhåndslærte oppgaver og handlinger. Når uventede scenarier oppstår eller forholdene endres på en uforutsigbar måte, vil hjernen automatisk skifte til en super‑Turing‑tilstand. Denne tilnærmingen gjør at hjernen alltid kan tilpasse seg omgivelsene.

Hvordan Super‑Turing AI lærer og tilpasser seg umiddelbart

Forskere finner at denne super‑turn‑tilstanden er kjernen i hjernens unike evner. De utnyttet denne strukturen til å tenke nytt om AI‑arkitekturer, og forestilte seg en mer menneskelig operasjonsflyt hvor læring og inferens skjer samtidig. 

Denne strategien reduserer energiforbruket betydelig. Elimineringen av kravet om å flytte store mengder data mellom maskinvarekomponenter reduserer forbruket og forbedrer ytelsen. Den støtter også sanntids tilpasning samtidig som den senker strømforbruket til nye lavnivåer.

Inni Synstor: Den ferroelectric kretsen som etterligner menneskelig læring

Kjernen i denne studien er skapelsen av en inkluderende sensor‑krets som kan behandle, lære og operere jevnt samtidig. Teamet produserte en krets av Hf0.5Zr0.5Ο2‑baserte synstorer som en del av studien.  

Denne spesialbygde kretsen inneholdt synaptiske motstander som integrerer ferroelectric HfZrO‑materialer. Merk at ferroelectric materialer, som Hf‑oksider, gir ingeniører muligheten til å lage skalerbare, Si‑kompatible, ikke‑flyktige analoge minne‑ og nevromorfe enheter. 

Drone‑simulering: Menneske vs AI vs Synstor

Teamet satte opp en drone‑flysimulering og hadde en tradisjonell AI, et menneske og et super‑Turing AI‑system navigere simuleringen for å teste teorien deres. Før noen turbulens eller hindringer lærte synstor‑kretsen, menneskelige operatører og ANN vellykket å fly dronen mot målposisjonen uten problemer eller forsinkelser. 

Imidlertid, da trær eller sterke vinder ble lagt til i ligningen, reduserte ytelsen til alle parter. Spesielt fullførte mennesket og synstor‑krets‑AI‑systemet oppgaven. Det tradisjonelle AI‑systemet klarte ikke å tilpasse seg det nye miljøet og fullførte ikke testen da de ekstra hindringene reduserte ytelsen.

AI‑tilpasning i praksis: Resultatene fra drone‑hindringsløypen

Studien viste at ingeniørenes nyutviklede synaptiske motstandskretser støtter effektive og adaptive Super‑Turing AI‑systemer som kan navigere usikre og dynamiske virkelige miljøer. De undersøkte hvorfor kun mennesket og synstor‑drevne droner kunne fullføre løypen. Deres suksess skyldtes evnen til å tilpasse seg underveis. 

Hvorfor Synstor‑kretser er et sprang fremover i bærekraftig AI

Det finnes flere fordeler som et synstor‑krets‑AI‑system kan bringe til markedet. For det første vil de åpne døren for mer avanserte og kapable AI‑alternativer. Disse protokollene vil kunne utføre samtidige sanntids‑inferenser og læring, og dermed fungere som et springbrett inn i neste generasjons AI‑protokoller.

Miljøvennlig: Ingeniørenes AI‑systemarkitektur bruker en brøkdel av den elektrisiteten som kreves for å kjøre tradisjonelle AI‑protokoller. Dette oppgraderte strømforbruket gjør at Synstor‑AI‑systemer kan kreve tittelen som den mest miljøvennlige AI‑arkitekturen for data. Etter hvert som etterspørselen etter disse tjenestene øker, vil behovet for bærekraftige alternativer også stige. 

Effektivitet: Ingeniørene klarte å lage et system som etterligner den menneskelige hjernen. Tilnærmingen deres reduserer energikravene generelt for AI‑systemer og gjør at AI‑systemer kan maksimere strømforbruket når de utfører eller trener nye modeller. 

Tilpasningsevne: En av hovedfordelene med denne AI‑strukturen er dens tilpasningsevne. AI‑systemer må bli raskere og mer tilpasningsdyktige for å håndtere det økende antallet oppgaver som blir gitt dem. Fra å styre ditt el‑bil hjem til å bestemme hvilke sanger som skal spilles for deg, vil fremtidige AI‑systemer ta hensyn til miljøet som en del av sine behandlingsprosesser. 

Fremtidige anvendelser: Hjerneliknende AI i biler, wearables og militærteknologi

Det hjerneinspirerte AI‑systemet har potensial til å revolusjonere industrien. Det gir ingeniører utsikter til bærekraftig AI‑utvikling og kan støtte skapelsen av morgendagens avanserte autonome systemer. Denne teknologien vil også finne vei inn i robotikk, wearables og den medisinske sektoren.  

Avansert databehandling: Du kan forvente å se avanserte AI‑systemer som bruker denne teknologien snart. Redusert strømforbruk vil senke driftskostnadene for disse systemene, noe som gjør dem til et attraktivt alternativ til status quo. I tillegg, etter hvert som synstor‑chip‑designet forbedres, vil det drive videre adopsjon. 

Militær: Militæret er en av de største forkjemperne for AI. AI‑systemer kan bistå med sporing, målretting, planlegging og logistikk, og dermed forbedre de operative evnene til enhver hær som bruker dem. I fremtiden vil du se AI‑systemer som driver avanserte loiter‑munisjoner og droner, og hjelper planleggere med å opprettholde situasjonsforståelse.. 

Autonome kjøretøy: Et av de viktigste bruksområdene for avansert AI er å styre autonome kjøretøy. Drømmen om fullt autonome biler har tatt lang tid å slå rot, men nylige fremskritt har gjort visjonen nærmere enn noen gang. Dette siste AI‑gjennombruddet vil bidra til å forbedre ytelsen og åpne døren for mer avanserte autonome kjøretøy som kan fly og mer. 

Denne teknologien vil en dag bidra til å gjøre samfunn tryggere og dine daglige oppgaver enklere. Imidlertid er det fortsatt noen detaljer og hindringer som teknologien må overvinne før den blir mainstream. Til tross for forsinkelsene er kommersiell adopsjon anslått til 5–10 år, med nærmere anvendelser i spesialiserte lav‑strøm AI‑oppgaver. 

Møt forskerteamet bak dette AI‑gjennombruddet

Ingeniører fra Texas A&M Department of Computer and Electrical Engineering og University of California‑Los Angeles samarbeidet for å bringe denne studien frem i lyset. Spesielt ledet Jungmin Lee, Rahul Shenoy og Atharva Deo forskningen. 

De fikk hjelp fra et team av ingeniører, inkludert 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. Merk at studien mottok finansiering fra Air Force Office of Scientific Research. 

 Forretningsvinkelen: Hvordan NVIDIA og andre fremmer nevromorfisk AI

AI‑kappløpet er i gang, og konkurrerende selskaper bruker milliarder for å prøve å dominere sektoren. Den relativt disruptive naturen til AI betyr at det finnes nye muligheter for selskaper som OpenAI til å dukke opp fra intet og sikre en toppposisjon i markedet. Selv om det er svært vanskelig å fastslå hvem som blir den neste nye aktøren i sektoren, er det lett å se hvem som har dominert markedet de siste årene.  

NVIDIA Corporation

NVIDIA (NVDA ) kom inn i markedet i 1993 og er basert i California. Den nå verdensberømte 3D‑grafikkortprodusenten var pioner innen ASIC og andre banebrytende design gjennom årene. Disse oppgraderingene hjalp selskapet med å rebrande fra en spillgrafikkortbedrift til et av de mest gjenkjennelige navnene i AI‑sektoren.

 NVIDIAs fremgang gikk ikke ubemerket hen. Aksjen har sett betydelig vekst, og i juni 2024 nådde selskapet en markedsverdi på 3 tarder. I dag er NVIDIA en leder innen nevromorfisk og edge‑AI‑maskinvare. Som sådan er de sterkt involvert i å designe AI‑inferenseffektivitet og hjerneinspirerte arkitekturer. De som søker en pålitelig og velprøvd AI‑aksje bør bruke tid på å undersøke NVIDIA nærmere. 

For en nærmere titt på NVIDIA, sørg for å se vår spotlight av denne industrigiganten.

Siste nytt om NVIDIA Corporation

Fremtiden for AI: Naturlig intelligens, kunstig konstruert

Ingeniørene bak denne studien har låst opp et nytt nivå i AI‑kapasitet. Deres nye chip‑design vil tillate AI å utvikle raskere og smartere algoritmer. Disse systemene vil en dag drive nesten alle komponenter i ditt liv. Foreløpig har forskningen vist hvordan forskere kan finne inspirasjon fra naturen og den menneskelige kroppen for å drive innovasjon til nye høyder.. 

Lær om andre spennende AI‑prosjekter nå.

Studier referert:

^{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-basert synaptisk motstandskrets for et Super‑Turing intelligent system. Science Advances, 11(9), eadr2082. https://doi.org/10.1126/sciadv.adr2082}