Bagong AI na Inspirasyon ng Utak na Natututo sa Real Time Gamit ang Ultra-Mababang Kapangyarihan

Ang utak ng tao ay ang pinaka-advanced na supercomputer sa mundo. Maaari itong sabay-sabay na matuto at mag-adapt nang hindi gumagamit ng malalaking data center tulad ng mga AI system ngayon. Sa buwang ito, isang koponan ng mga inhinyero mula sa Texas A&M Department of Computer and Electrical Engineering at iba pang nangungunang institusyon ang nagpakilala ng AI system na inspirasyon ng utak na maaaring magbukas ng mas mahusay na pagganap at magbukas ng pintuan para sa mas matalinong mga protocol. Narito ang kailangan mong malaman. 

Ang mga Limitasyon ng Tradisyonal na AI at ang Arkitekturang Turing

Ang artificial intelligence ay isa sa pinakamabilis na lumalago at pinaka-kapanapanabik na industriya ng teknolohiya sa mundo. Sa ilang maikling taon, ang mga algorithm ng AI ay nagmula sa pagiging accessible lamang sa mga high-level na inhinyero ng Google at Microsoft (MSFT ) hanggang sa maging karaniwang kasangkapan para sa karaniwang tao. Sa paglalakbay na ito, patuloy na tumaas ang pagganap at kakayahan ng mga AI system. Kasabay ng pagtaas ng pagganap, tumaas din ang kakayahan ng hardware.

Kapansin-pansin, ang mga AI system ay umaasa sa arkitekturang Turing. Ang istilong ito ng computing ay ipinangalan kay Alan Turing, ang imbentor nito. Ipinahayag niya na maaaring magbigay ng mas mahusay na pagganap ang mga computer kung ang ilang bahagi ng kanilang operasyon ay paghihiwalayin.

Ang estrukturang ito ay nangangahulugang ang mga computer ay may hiwalay na pagproseso at memorya sa pisikal na antas sa loob ng disenyo ng chip. Ang paghihiwalay na ito ay nagtakda ng disenyo ng hardware ng mga makina mula noon. Ang kanyang bisyon para sa mga computer ay nananatiling pinaka-ginagamit na arkitektura, kahit na ilang dekada na ang lumipas mula nang ito ay madiskubre.

Ang Krisis sa Enerhiya: Bakit Kailangan ng Modernong AI ng Bagong Blueprint

Ang problema sa layout na ito ay nangangailangan ang mga AI system ng napakalaking dami ng data. Sa ilang pagkakataon, kailangang itayo mula sa simula ang buong data center, gamit ang pinaka-advanced na hardware bilang bahagi ng mga kinakailangan ng system. Sa kasamaang palad, hindi ito sustainable.

Ang malalaking data center ay napakalaking konsumo ng enerhiya na maaaring kumonsumo ng kasing dami ng enerhiya ng buong lungsod. Sa maraming pagkakataon, ang mga sistemang ito ay umaasa sa renewable energy, na nakatulong na mabawasan ang epekto sa kapaligiran. Gayunpaman, ang lumalaking pangangailangan para sa mga AI system ay nangangailangan ng pagtaas ng kahusayan upang gawing sustainable ang mga protocol sa hinaharap.

Bakit Hindi Makapag-Adapt ang Mga Modelong AI Ngayon sa Real Time

Dagdag pa rito, ang estrukturang ito ay nangangahulugang ang scalability ng mga protocol ay nakabatay sa kanilang hardware kaysa sa mga limitasyon ng software. Kahit na ang pinaka-advanced na system ay kailangang maghintay pa para sa data na maipadala nang pisikal sa pagitan ng mga hardware component sa isang device.

 Pagpapakilala ng Super-Turing AI: Inspirado ng Tao na Utak

Isa pang kahinaan ng mga AI system na batay sa Turing ay ang kanilang pag-asa sa mga preset na data point. Ang mga modelo ngayon ay walang paraan upang baguhin ang kanilang pagganap habang tumatakbo. Ang mga sistemang ito ay umaasa sa data na ibinigay upang makumpleto ang backpropagation.

Ang pamamaraang ito ay naiiba sa iyong utak, na gumagamit ng kombinasyon ng kaalaman at mga kondisyon ng kapaligiran upang makagawa ng tumpak na pagtatasa gamit lamang isang maliit na bahagi ng enerhiya. Kapansin-pansin, imposible sa biyolohikal na paraan na gayahin ang back propagation dahil kinakailangan nitong maranasan na ng tao ang sitwasyon dati. Sa pagkilala sa mga katotohanang ito, nagsikap ang mga inhinyero na bumuo ng AI system na ginagaya ang pagkatuto ng tao.

Paano Natututo ang Synaptic Resistors na Katulad ng Ating Utak

Ang pag-aaral “HfZrO-based na synaptic resistor circuit para sa isang Super-Turing intelligent system“¹ nagpapakilala ng isang neuromorphic AI system na maaaring tularan kung paano natututo ang utak upang magbigay ng real-time na adaptability batay sa mga kondisyon. Ang pag-aaral ay inilathala ng isang koponan ng mga Mananaliksik mula sa UCLA, Texas A&M, at iba pang mga pasilidad ng pananaliksik at nailathala sa Science Advances. Upang makamit ito, lumikha ang koponan ng isang “synstor” (synaptic resistor) circuit na maaaring matuto tulad ng iyong utak.

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

Kahusayan na Katulad ng Utak: AI na Kumokonsumo ng Microwatts, Hindi Megawatts

Kinilala ng mga inhinyero sa likod ng pag-aaral na ang utak ng tao ay nananatiling mas advanced kaysa sa AI sa maraming aspeto, tulad ng konsumo ng enerhiya at flexibility. Ang mga neural na proseso ng utak ay nagpapahintulot nitong magsagawa ng kumplikadong mga gawain ng katawan habang sabay na nag-aangkop sa nagbabagong kondisyon sa paligid mo.

Sa usapin ng kahusayan sa enerhiya, ang utak ng tao ay nangangailangan lamang ng humigit-kumulang 20 watts upang gumana. Kumpara dito, ang mga advanced na AI system ngayon ay maaaring kumonsumo ng hanggang 1 bilyong watts sa operasyon. Ang konsumo ng enerhiyang ito ay nagmumula sa mga processing pathways at mga component, kasama ang arkitektura ng mga AI system.

Pag-unawa sa Synaptic Plasticity sa Artipisyal na Intelihensiya

Nagsimula ang mga inhinyero sa pag-aaral ng synaptic plasticity sa mga utak. Ang iyong utak ay may milyun-milyong neuron na nagpapagana sa iyong memorya at pagkatuto. Ang mga lugar ng komunikasyon kung saan nagtatagpo ang mga nerbiyos ay tinatawag na synapse. Ang synaptic plasticity ay tumutukoy sa kakayahan ng utak na palakasin ang mga koneksyon na mas madalas gamitin. Tumutukoy din ito sa kakayahan ng utak na lumikha ng mga bagong landas kapag ito ay mas epektibo.

Ang Lihim ng Utak: Paglipat sa Pagitan ng Turing at Super-Turing na Mode

Sa katunayan, ang mga utak ay maaaring mag-operate sa parehong Turing mode at super-Turing mode. Habang nasa Turing operational state, gagamitin ng iyong utak ang mga pre-learned na gawain at aksyon. Kapag lumitaw ang mga hindi inaasahang senaryo o nagbago ang mga kondisyon sa paraang hindi mahulaan, awtomatikong lilipat ang iyong utak sa super-Turing stance. Ang pamamaraang ito ay nagpapahintulot sa iyong utak na laging mag-adapt sa iyong kapaligiran.

Paano Natututo at Nag-aangkop nang Agad ang Super-Turing AI

Nakita ng mga siyentipiko na ang super turning state na ito ay nasa core ng natatanging kakayahan ng utak. Ginamit nila ang estrukturang ito upang muling imahinasyon ang mga AI architecture, na naglalarawan ng mas human-like na operational flow kung saan sabay na nangyayari ang pagkatuto at inference.

Ang estratehiyang ito ay lubos na nagpapababa ng konsumo ng enerhiya. Ang pag-alis ng pangangailangan na ilipat ang napakalaking dami ng data sa pagitan ng mga hardware component ay nagpapababa ng konsumo at nagpapabuti ng pagganap. Sinusuportahan din nito ang real-time na adaptability habang pinapaliit ang konsumo ng enerhiya sa mga bagong pinakamababa.

Sa Loob ng Synstor: Ang Ferroelectric Circuit na Ginagaya ang Pagkatuto ng Tao

Sa core ng pag-aaral na ito ay ang paglikha ng isang inclusive sensor circuit na kayang sabay-sabay magproseso, matuto, at mag-operate nang maayos. Ang koponan ay gumamit ng circuit ng Hf0.5Zr0.5Ο2-based na synstors bilang bahagi ng kanilang pag-aaral.

Ang custom-built na circuit na ito ay nagtatampok ng mga synaptic resistor na nag-iintegrate ng ferroelectric HfZrO materials. Kapansin-pansin, ang mga ferroelectric na materyales, tulad ng Hf oxides, ay nagbibigay sa mga inhinyero ng kakayahang lumikha ng scalable, Si-compatible, nonvolatile analog memory at neuromorphic devices.

Simulasyon ng Drone: Tao vs AI vs Synstor

Inilunsad ng koponan ang isang drone flight simulation at naglagay ng tradisyonal na AI, isang tao, at isang super-turing AI system upang mag-navigate sa simulation upang subukan ang kanilang teorya. Bago ang anumang turbulence o hadlang, ang synstor circuit, mga human operator, at ANN ay matagumpay na natutong patakbuhin ang drone patungo sa target na posisyon nang walang problema o pagkaantala.

Gayunpaman, nang idagdag ang mga puno o malalakas na hangin sa ekwasyon, bumaba ang pagganap ng lahat ng partido. Partikular, natapos ng tao at synstor circuit AI system ang gawain. Ang tradisyonal na AI system ay hindi nakapag-adjust sa bagong kapaligiran at hindi natapos ang pagsusulit dahil ang mga karagdagang hadlang ay nagbaba ng pagganap nito.

Pagka-Adapt ng AI sa Aksyon: Mga Resulta ng Drone Obstacle Course

Ipinakita ng pag-aaral na ang bagong binuo ng mga inhinyero na synaptic resistor circuits ay sumusuporta sa epektibo at adaptive na Super-Turing AI systems na maaaring mag-navigate sa hindi tiyak at dynamic na real-world na kapaligiran. Sinuri nila kung bakit lamang ang tao at synstor-powered drone ang nakumpleto ang kurso. Ang kanilang tagumpay ay dahil sa kakayahan nilang mag-adapt on the fly.

Bakit Ang Synstor Circuits ay Isang Hakbang Pasulong sa Sustainable AI

May ilang benepisyo na maaaring dalhin ng synstor circuit AI system sa merkado. Una, magbubukas ito ng pintuan para sa mas advanced at capable na AI options. Ang mga protocol na ito ay magiging capable ng concurrent real-time inference at learning, na nagbibigay ng hakbang patungo sa susunod na henerasyon ng AI protocols.

Eco-friendly: Ang arkitektura ng AI system ng mga inhinyero ay gumagamit ng isang bahagi lamang ng kuryente na kinakailangan upang patakbuhin ang tradisyonal na AI protocol. Ang upgraded na paggamit ng power na ito ay nagpapahintulot sa Synstor AI systems na mag-claim ng titulo bilang pinaka eko-friendly na AI architecture para sa data. Habang tumataas ang demand para sa mga serbisyong ito, tataas din ang pangangailangan para sa sustainable na mga opsyon.

Episyensya: Matagumpay na nilikha ng mga inhinyero ang isang system na ginagaya ang utak ng tao. Ang kanilang pamamaraan ay nagpapababa ng pangangailangan sa enerhiya sa lahat ng AI system at nagpapahintulot sa mga AI system na i-maximize ang kanilang power consumption kapag nagpapatakbo o nagte-train ng mga bagong modelo.

Adaptability: Isa sa mga pangunahing benepisyo ng estrukturang AI na ito ay ang adaptability nito. Kailangan ng mga AI system na maging mas mabilis at mas adaptable upang harapin ang lumalaking dami ng mga gawain na ipinagkakaloob sa kanila. Mula sa pag-piloto ng iyong EV home hanggang sa pagdedesisyon kung anong mga kanta ang patugtugin para sa iyo, ang mga hinaharap na AI system ay isasaalang-alang ang kanilang kapaligiran bilang bahagi ng kanilang mga proseso ng pagproseso.

Mga Hinaharap na Aplikasyon: AI na Katulad ng Utak sa Mga Sasakyan, Wearables, at Teknolohiyang Militar

Ang brain-inspired na AI system ay may potensyal na baguhin ang industriya. Nag-aalok ito sa mga inhinyero ng prospect ng sustainable AI development at maaaring suportahan ang paglikha ng mga advanced autonomous system ng bukas. Ang teknolohiyang ito ay makikita rin sa robotics, wearables, at sektor ng medikal.

Advanced Computing: Maaari mong asahan na makakita ng mga advanced AI system na gumagamit ng teknolohiyang ito sa lalong madaling panahon. Ang nabawasang konsumo ng power ay magbabawas ng operating costs para sa mga system na ito, na ginagawa itong isang kaakit-akit na opsyon sa status quo. Dagdag pa, habang ang disenyo ng synstor chip ay bumubuti, ito ay magtutulak ng karagdagang adoption.

Militar: Ang militar ay isa sa pinakamalaking tagasuporta ng AI. Ang mga AI system ay maaaring tumulong sa tracking, targeting, planning, at logistics, na nagpapahusay sa operational capabilities ng anumang hukbong gumagamit nito. Sa hinaharap, makikita mo ang mga AI system na nagpapatakbo ng advanced loitering munitions at drones at tumutulong sa mga planner na mapanatili ang situational awareness.

Autonomous Vehicles: Isa sa mga pangunahing use case scenario para sa advanced AI ay ang pag-piloto ng autonomous vehicles. Ang pangarap ng ganap na autonomous na mga sasakyan ay mabagal na umunlad, ngunit ang mga kamakailang pag-unlad ay nagdala ng pangitain na mas malapit na kaysa dati. Ang pinakabagong breakthrough na AI na ito ay makakatulong sa pagpapabuti ng performance at magbubukas ng pintuan para sa mas advanced na autonomous vehicles na kayang lumipad at marami pa.

Ang teknolohiyang ito ay balang araw makakatulong upang gawing mas ligtas ang mga komunidad at gawing mas madali ang iyong pang-araw-araw na gawain. Gayunpaman, may ilang detalye at hadlang pa na kailangang malampasan bago ito maging mainstream. Sa kabila ng mga hadlang, tinatayang ang potensyal na komersyal na pag-aampon ay sa loob ng 5–10 taon, na may mas malapit na aplikasyon sa mga specialized low-power AI tasks.

Kilalanin ang Koponan ng Pananaliksik sa Likod ng Breakthrough na AI na Ito

Ang mga inhinyero mula sa Texas A&M Department of Computer and Electrical Engineering at University of California-Los Angeles ay nag-collaborate upang ilahad ang pag-aaral na ito. Partikular, sina Jungmin Lee, Rahul Shenoy, at Atharva Deo ang nanguna sa pananaliksik.

Nakuha nila ng tulong mula sa isang koponan ng mga inhinyero, kabilang sina 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, at Yong Chen. Kapansin-pansin, ang pag-aaral ay natanggap ng pondo mula sa Air Force Office of Scientific Research.

 Ang Panig ng Negosyo: Paano Pinapaunlad ng NVIDIA at Iba Pa ang Neuromorphic AI

Nasa gitna na ang AI race, at ang mga kumpanyang nagkokompetensya ay gumagastos ng bilyon upang subukang mangibabaw sa sektor. Ang medyo disruptive na kalikasan ng AI ay nangangahulugang may mga bagong oportunidad para sa mga kumpanya tulad ng OpenAI na biglang lumitaw at makakuha ng top spot sa merkado. Habang napakahirap tukuyin kung sino ang susunod na bagong manlalaro sa sektor, madaling makita kung sino ang namamayani sa merkado sa nakaraang ilang taon.

NVIDIA Corporation

NVIDIA (NVDA ) pumasok sa merkado noong 1993 at nakabase sa California. Ang ngayon ay kilalang-kilala na tagagawa ng 3D graphics card ay nagpasimula ng ASIC at iba pang game-changing na disenyo sa paglipas ng mga taon. Ang mga upgrade na ito ay tumulong sa kumpanya na mag-rebrand mula sa isang gaming graphics card firm tungo sa isa sa pinaka-kilalang pangalan sa AI sector.

 Hindi napansin ang pag-angat ng NVIDIA. Ang kanyang stock ay nakakita ng malaking paglago, at noong Hunyo 2024, umabot ang kumpanya sa $3T market cap. Ngayon, ang NVIDIA ay nangunguna sa neuromorphic at edge AI hardware. Bilang ganoon, patuloy itong malalim na kasangkot sa pagdidisenyo ng AI inference efficiency at brain-inspired architectures. Ang mga naghahanap ng maaasahan at napatunayan na AI stock ay dapat maglaan ng oras upang magsaliksik pa tungkol sa NVIDIA.

Para sa mas malapit na pagtingin sa NVIDIA, siguraduhing tingnan ang aming spotlight sa higanteng industriyang ito.

Pinakabagong Balita sa NVIDIA Corporation

Ang Hinaharap ng AI: Natural na Intelihensiya, Artipisyal na Inhenyero

Ang mga inhinyero sa likod ng pag-aaral na ito ay nagbukas ng bagong antas sa kakayahan ng AI. Ang kanilang bagong chip design ay magpapahintulot sa AI na bumuo ng mas mabilis at mas matalinong algorithms. Ang mga sistemang ito ay balang araw magpapagana halos lahat ng bahagi ng iyong buhay. Sa ngayon, ipinakita ng pananaliksik kung paano maaaring kumuha ng inspirasyon ang mga siyentipiko mula sa kalikasan at katawan ng tao upang itulak ang inobasyon sa mas mataas na antas.

Alamin ang iba pang mga cool na AI project ngayon.

Mga Sanggunian na Binanggit:

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