Super-Turing AI: Імітація навчання людського мозку
Стрімкий розвиток штучного інтелекту призвів до створення все більш досконалих моделей, які, однак, досі стикаються з проблемами ефективності. Команда дослідників під керівництвом доктора Суїн І (Suin Yi), доцента Інженерного коледжу Техаського університету A&M, розробила новий підхід під назвою Super-Turing AI, який імітує здатність людського мозку до навчання та адаптації. Ця інновація може значно вдосконалити ШІ, суттєво зменшуючи витрати на обчислення та споживання енергії.
Сучасні моделі ШІ працюють на основі архітектури, де зберігання даних відокремлене від їхньої обробки. Це вимагає величезних обчислювальних потужностей та енергоресурсів для переміщення інформації між цими компонентами. На відміну від цього, людський мозок поєднує навчання та пам’ять завдяки синапсам – нейронним зв’язкам, які змінюють свою силу залежно від досвіду – процес, відомий як синаптична пластичність.
Досліджуючи ці процеси, команда доктора І прагне створити ШІ-системи, які функціонують за принципами біологічного мозку. Зокрема, вони відходять від традиційного підходу, що базується на методі зворотного поширення помилки (backpropagation) – потужного, але енергозатратного та біологічно неправдоподібного методу оптимізації нейронних мереж.
Натомість команда досліджує альтернативні механізми, такі як геббіанське навчання (його зміст можна звести до “нейрони, що активуються разом, формують зв’язки разом”) та пластичність, залежну від часу спайків (STDP). Ці біологічно натхненні механізми дозволяють системам ШІ зміцнювати зв’язки на основі патернів активності, зменшуючи потребу у постійному перенавчанні та надмірних обчислювальних ресурсах.
Одним з найперспективніших аспектів методу Super-Turing AI є його здатність ефективно обробляти інформацію в режимі реального часу. Під час нещодавнього випробування підхід, заснований на цих принципах навчання, дозволив дрону орієнтуватися в складному середовищі без попереднього навчання. На відміну від традиційних моделей ШІ, які вимагають великих наборів даних і попереднього навчання, така схема дозволила безпілотнику адаптуватися і навчатися на льоту, демонструючи швидшу реакцію та нижче енергоспоживання.
Додатковий прорив у дослідженні забезпечує нейроморфне обчислення – використання апаратного забезпечення, що імітує роботу людського мозку. Завдяки інтеграції цих алгоритмів у спеціалізоване обладнання дослідники прагнуть створити ШІ, який споживає мінімум енергії, зберігаючи високий рівень продуктивності та адаптивності.
Індустрія штучного інтелекту стрімко розвивається, а компанії змагаються в розробці більших і потужніших моделей. Однак масштабованість залишається нагальною проблемою через апаратні обмеження та зростаючі потреби в енергії. Деякі програми штучного інтелекту вже потребують цілих центрів обробки даних, що збільшує як економічні, так і екологічні витрати.
Доктор І наголошує, що вдосконалення апаратного забезпечення є настільки ж важливим, як і вдосконалення програмного забезпечення ШІ. “Багато хто думає, що ШІ – це лише алгоритми, але без ефективного обчислювального обладнання він не може по-справжньому розвиватися”, – пояснює він. Super-Turing AI пропонує зміну парадигми, поєднуючи програмні та апаратні інновації для створення стійких, масштабованих рішень ШІ.
Переосмислюючи архітектуру штучного інтелекту, щоб відобразити ефективність людського мозку, Super-Turing AI є значним кроком на шляху до сталого розвитку ШІ. Ця технологія може призвести до появи нового покоління ШІ, який буде розумнішим та екологічно відповідальним.
“Сучасний ШІ, такий як ChatGPT, надзвичайно потужний, але він занадто дорогий та енергоємний. Ми працюємо над тим, щоб зробити ШІ розумнішим та більш стійким, – зазначає доктор І, – Super-Turing AI може змінити спосіб створення та використання ШІ, забезпечивши його користь для людей та планети”.
Прочитати повне дослідження команди можна в журналі Science Advances.