Ny hjärninspirerad AI lär sig i realtid med ultralåg effekt

Den mänskliga hjärnan är den mest avancerade superdatorn i världen. Den kan samtidigt lära sig och anpassa sig utan att använda massiva datacenter som dagens AI-system. Denna månad presenterade ett team av ingenjörer från Texas A&M Department of Computer and Electrical Engineering och andra ledande institutioner ett hjärninspirerat AI-system som kan ge bättre prestanda och öppna dörren för smartare protokoll. Här är vad du behöver veta. 

Begränsningarna med traditionell AI och Turing-arkitekturen

Artificiell intelligens är en av de snabbast växande och mest spännande teknikindustrierna i världen. På bara några år har AI-algoritmer gått från att bara vara tillgängliga för högkvalitativa ingenjörer på Google och Microsoft (MSFT ) till att bli ett vanligt verktyg för den genomsnittliga personen. Under denna resa har AI-system kontinuerligt ökat i prestanda och kapacitet. Parallellt med denna prestandaökning har även hårdvarukapaciteten ökat.

Speciellt förlitar sig AI-system på Turing-arkitekturen. Denna typ av beräkning är uppkallad efter sin uppfinnare, Alan Turing. Han föreslog att datorer kunde ge bättre prestanda om vissa delar av deras operationer separerades.

Denna struktur innebär att datorer har sin bearbetning och minne fysiskt separerade inom chipdesignen. Denna separation har styrt hårdvarudesignen för maskiner sedan dess. Hans vision för datorer förblir den mest använda arkitekturen, trots att det gått årtionden sedan hans upptäckt.

Energikrisen: Varför modern AI behöver en ny plan

Problemet med denna layout är att AI-system kräver enorma mängder data. I vissa fall måste hela datacenter byggas från grunden, med den mest avancerade hårdvaran som en del av systemkraven. Tyvärr är denna struktur inte hållbar.

Stora datacenter är enorma energiförbrukare som kan förbruka lika mycket energi som hela städer. I många fall förlitar sig dessa system på förnybar energi, vilket har hjälpt till att minska den miljömässiga påverkan. Men den växande efterfrågan på AI-system innebär att effektiviteten måste förbättras för att göra dessa protokoll hållbara i framtiden.

Varför dagens AI-modeller inte kan anpassa sig i realtid

Dessutom innebär denna struktur att skalbarheten för dessa protokoll baseras på deras hårdvara snarare än mjukvarubegränsningar. Även det mest avancerade systemet måste fortfarande vänta på att data fysiskt skickas mellan hårdvarukomponenterna på en enhet.

 Introduktion av en Super-Turing AI: Inspirerad av den mänskliga hjärnan

En annan nackdel med Turing-baserade AI-system är att de förlitar sig på förinställda datapunkter. Dagens modeller erbjuder inget sätt att ändra sin prestanda under drift. Dessa system förlitar sig på den tillhandahållna datan för att slutföra bakåtspridning.

Denna metod skiljer sig från din hjärna, som använder en kombination av kunskap och miljöförhållanden för att göra korrekta bedömningar med en bråkdel av energin. Speciellt är det biologiskt omöjligt att replikera bakåtspridning eftersom det skulle kräva att personen redan har upplevt situationen tidigare. Med detta i åtanke har ingenjörer försökt utveckla ett AI-system som efterliknar mänskligt lärande.

Hur synaptiska resistorer lär sig som våra hjärnor

Studien “HfZrO-based synaptic resistor circuit for a Super-Turing intelligent system” introducerar ett neuromorft AI-system som kan efterlikna hur hjärnan lär sig för att ge realtidsanpassning baserat på förhållanden. Studien presenterades av ett team av forskare från UCLA, Texas A&M och andra forskningsanläggningar och publicerades i Science Advances. För att uppnå detta skapade teamet en “synstor” (synaptisk resistor) krets som kan lära sig som din hjärna.

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

Hjärninspirerad effektivitet: AI som förbrukar mikrowatt, inte megawatt

Ingenjörerna bakom denna studie inser att den mänskliga hjärnan fortfarande ligger långt före AI i många avseenden, såsom energiförbrukning och flexibilitet. Hjärnans neurala processer gör det möjligt att utföra komplexa kroppsfunktioner samtidigt som den anpassar sig till förändrade förhållanden runt dig.

När det gäller energieffektivitet kräver den mänskliga hjärnan bara cirka 20 watt för att fungera. Till jämförelse kan dagens avancerade AI-system förbruka upp till 1 miljard watt under drift. Denna energiförbrukning kommer från bearbetningsvägarna och komponenterna, samt AI-systemets arkitektur.

 Förstå synaptisk plasticitet i artificiell intelligens

Ingenjörerna började med att studera synaptisk plasticitet i hjärnan. Din hjärna har miljontals neuroner som driver ditt minne och lärande. Dessa kommunikationsområden där nerver möts kallas synapser. Synaptisk plasticitet avser hjärnans förmåga att stärka kopplingar som används oftare. Det avser också hjärnans förmåga att skapa nya vägar när det anses mer effektivt.

Hjärnans hemlighet: Växling mellan Turing- och Super-Turing-lägen

Intressant nog kan hjärnan fungera både i Turing-läge och i ett super-Turing-läge. När den är i ett Turing-operativt tillstånd använder hjärnan förinlärda uppgifter och handlingar. När oväntade scenarier uppstår eller förhållandena förändras på ett oförutsägbart sätt, växlar hjärnan automatiskt till ett super-Turing-tillstånd. Detta tillvägagångssätt gör att hjärnan alltid kan anpassa sig till omgivningen.

Hur Super-Turing AI lär sig och anpassar sig omedelbart

Forskare anser att detta superturingtillstånd är kärnan i hjärnans unika förmågor. De utnyttjade denna struktur för att omforma AI-arkitekturer och föreställde sig ett mer mänskligt operativt flöde där lärande och inferens sker samtidigt.

Denna strategi minskar energiförbrukningen avsevärt. Borttagandet av behovet att flytta enorma mängder data mellan hårdvarukomponenter minskar förbrukningen och förbättrar prestandan. Den stödjer också realtidsanpassning samtidigt som energiförbrukningen pressas till nya låga nivåer.

Inuti Synstor: Den ferroelectriska kretsen som efterliknar mänskligt lärande

Kärnan i denna studie är skapandet av en inkluderande sensorkrets som kan bearbeta, lära sig och fungera smidigt samtidigt. Teamet tillverkade en krets av Hf0.5Zr0.5Ο2-baserade synstors som en del av sin studie.

Denna specialbyggda krets innehöll synaptiska resistorer som integrerade ferroelectriska HfZrO-material. Speciellt ger ferroelectriska material, som Hf-oxider, ingenjörer möjlighet att skapa skalbart, Si-kompatibelt, icke-förstörande analogt minne och neuromorfa enheter.

Dron-simulering: Människa vs AI vs Synstor

Teamet satte upp en dronflygsimulering och lät en traditionell AI, en människa och ett super-turing AI-system navigera simuleringen för att testa sin teori. Innan någon turbulens eller hinder lärde sig synstor-kretsen, mänskliga operatörer och ANN framgångsrikt att styra dronen mot dess målposition utan problem eller fördröjningar.

Men när träd eller starka vindar lades till i ekvationen minskade prestandan för alla parter. Specifikt slutförde den mänskliga och synstor-kretsens AI-system uppgiften. Det traditionella AI-systemet kunde inte anpassa sig till den nya miljön och slutförde inte testet eftersom de tillagda hindren minskade dess prestanda.

AI-anpassningsförmåga i praktiken: Resultaten från dronens hinderbana

Studien visade att ingenjörernas nyutvecklade synaptiska resistor-kretsar stödjer effektiva och anpassningsbara Super-Turing AI-system som kan navigera i osäkra och dynamiska verkliga miljöer. De undersökte varför endast den mänskliga och synstor-drönaren kunde slutföra banan. Deras framgång berodde på deras förmåga att anpassa sig i farten.

Varför Synstor-kretsar är ett steg framåt för hållbar AI

Det finns flera fördelar som ett synstor-krets AI-system kan erbjuda marknaden. För det första kommer de att öppna dörren för mer avancerade och kraftfulla AI-alternativ. Dessa protokoll kommer att kunna utföra samtidiga realtidsinferenser och lärande, vilket ger ett steg in i nästa generations AI-protokoll.

Miljövänlig: Ingenjörernas AI-systemarkitektur använder en bråkdel av den elektricitet som krävs för att driva traditionella AI-protokoll. Denna förbättrade energianvändning gör att Synstor AI-system kan hävda titeln som den mest miljövänliga AI-arkitekturen för data. När efterfrågan på dessa tjänster ökar, kommer behovet av hållbara alternativ också att öka.

Effektivitet: Ingenjörerna lyckades skapa ett system som efterliknar den mänskliga hjärnan. Deras tillvägagångssätt minskar energikraven för AI-system över hela linjen och gör att AI-system kan maximera sin energiförbrukning när de kör eller tränar nya modeller.

Anpassningsförmåga: En av de största fördelarna med denna AI-struktur är dess anpassningsförmåga. AI-system måste bli snabbare och mer anpassningsbara för att hantera det växande antalet uppgifter som tilldelas dem. Från att styra ditt elfordon hemma till att bestämma vilka låtar som ska spelas för dig, kommer framtida AI-system att ta hänsyn till sin omgivning som en del av sina bearbetningsprocedurer.

Framtida tillämpningar: Hjärninspirerad AI i bilar, wearables och militär teknik

Det hjärninspirerade AI-systemet har potentialen att revolutionera branschen. Det erbjuder ingenjörer möjligheten till hållbar AI-utveckling och kan stödja skapandet av morgondagens avancerade autonoma system. Denna teknik kommer också att hitta sin väg in i robotik, wearables och den medicinska sektorn.

Avancerad databehandling: Du kan förvänta dig att se avancerade AI-system som använder denna teknik inom kort. Den minskade energiförbrukningen kommer att sänka driftskostnaderna för dessa system, vilket gör dem till ett attraktivt alternativ till status quo. Dessutom, när synstor-chipdesignen förbättras, kommer den att driva ytterligare antagande.

Militär: Militär är en av de största förespråkarna för AI. AI-system kan hjälpa till med spårning, målval, planering och logistik, vilket förbättrar de operativa förmågorna hos alla arméer som använder dem. I framtiden kommer du att se AI-system som driver avancerade svävande ammunitioner och drönare samt hjälper planerare att upprätthålla situationsmedvetenhet.

Autonoma fordon: Ett av de centrala användningsfallen för avancerad AI är att styra autonoma fordon. Drömmen om helt autonoma bilar har tagit lång tid att slå rot, men de senaste framstegen har gjort visionen närmare än någonsin. Detta senaste AI-genombrott kommer att förbättra prestanda och öppna dörren för mer avancerade autonoma fordon som kan flyga och mer.

Denna teknik kommer en dag att hjälpa till att göra samhällen säkrare och dina dagliga uppgifter enklare. Det finns dock fortfarande vissa detaljer och hinder som tekniken måste övervinna innan den blir mainstream. Trots fördröjningarna uppskattas potentiell kommersiell adoption inom 5–10 år, med närmare tillämpningar i specialiserade lågströms-AI-uppgifter.

Möt forskarteamet bakom detta AI-genombrott

Ingenjörer från Texas A&M Department of Computer and Electrical Engineering och University of California-Los Angeles samarbetade för att belysa denna studie. Specifikt ledde Jungmin Lee, Rahul Shenoy och Atharva Deo forskningen.

De fick hjälp av ett team av ingenjörer, inklusive 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 och Yong Chen. Noterbart fick studien finansiering från Air Force Office of Scientific Research.

 Affärsperspektivet: Hur NVIDIA och andra driver neuromorfisk AI

AI-tävlingen är igång, och konkurrerande företag spenderar miljarder för att försöka dominera sektorn. AI:s relativt disruptiva natur innebär att det finns nya möjligheter för företag som OpenAI att dyka upp från ingenstans och säkra en topplacering på marknaden. Även om det är mycket svårt att avgöra vem som blir nästa nya aktör i sektorn, är det lätt att se vem som har dominerat marknaden de senaste åren.

NVIDIA Corporation

NVIDIA (NVDA ) gick in på marknaden 1993 och är baserat i Kalifornien. Den nu världskända tillverkaren av 3D-grafikkort har banat vägen för ASIC och andra banbrytande designer genom åren. Dessa uppgraderingar hjälpte företaget att omprofilera sig från ett spelgrafikkortsföretag till ett av de mest igenkännliga namnen inom AI-sektorn.

 NVIDIAs uppgång gick inte obemärkt förbi. Dess aktie har sett betydande tillväxt, och i juni 2024 nådde företaget ett börsvärde på 3 triljon dollar. Idag är NVIDIA en ledare inom neuromorfisk och edge AI-hårdvara. Därför är de starkt involverade i att designa AI-inferenseffektivitet och hjärninspirerade arkitekturer. De som söker en pålitlig och beprövad AI-aktie bör ta sig tid att undersöka NVIDIA närmare.

För en närmare titt på NVIDIA, se till att titta på vår spotlight av denna industrijätte.

Senaste om NVIDIA Corporation

Framtiden för AI: Naturlig intelligens, artificiellt konstruerad

Ingenjörerna bakom denna studie har låst upp en ny nivå i AI-förmåga. Deras nya chipdesign kommer att möjliggöra att AI utvecklar snabbare och smartare algoritmer. Dessa system kommer en dag att driva nästan varje komponent i ditt liv. För närvarande har forskningen visat hur forskare kan hämta inspiration från naturen och den mänskliga kroppen för att driva innovation till nya höjder.

Läs om andra spännande AI-projekt nu.

Studier refererade:

^{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-based synaptic resistor circuit for a Super-Turing intelligent system. Science Advances, 11(9), eadr2082. https://doi.org/10.1126/sciadv.adr2082}