Przetwarzanie informacji przez ludzki mózg może zainspirować systemy sztucznej inteligencji nowej generacji, twierdzą naukowcy
Badania opublikowane 22 stycznia w Nature sugerują, że przetwarzanie informacji przez człowieka może służyć jako model do szkolenia przyszłych systemów AI.
W pośpiechu? Oto najważniejsze informacje!
- Efektywne AI mogłoby wpłynąć na sektory takie jak eksploracja kosmiczna, zdrowie oraz nadzór.
- Badanie bada nowe technologie pamięci dla skalowalnych systemów obliczeniowych neuromorficznych.
- Obliczenia neuromorficzne oferują energooszczędne rozwiązania, gdyż zużycie energii przez AI podwoi się do 2026 roku.
Badanie zgromadziło ponad tuzin badaczy z całego świata, w tym Cory’ego Merkel’a, profesora nadzwyczajnego inżynierii komputerowej w Rochester Institute of Technology. Merkel specjalizuje się w neuromorficznym przetwarzaniu informacji, podejściu inspirowanym działaniem mózgu, które ma na celu zwiększenie mocy przetwarzania i efektywności energetycznej w aplikacjach AI.
„Możliwość posiadania wydajnej sztucznej inteligencji na urządzeniach o ograniczonych możliwościach otworzy drzwi do wielu nowych obszarów zastosowań, takich jak interfejsy mózg-komputer, eksploracja kosmosu, technologie monitorowania zdrowia, czy autonomiczne systemy monitorowania, na przykład,” wyjaśniła Merkel w komunikacie prasowym uniwersytetu.
Jego praca odpowiada na rosnące zapotrzebowanie na systemy AI dostosowane do środowisk o ograniczonym rozmiarze, wadze i zasilaniu, takie jak urządzenia do noszenia, smartfony, roboty, drony i satelity. Obliczenia neuromorficzne obiecują znaczne ulepszenia w zakresie możliwości przetwarzania i potrzeb magazynowych.
Badacze podkreślają, jak systemy neuromorficzne wykorzystują zasady bio-inteligencji zidentyfikowane przez neurologów, oferując model dla szybszych i bardziej efektywnych sieci obliczeniowych.
Merkel oraz Suma George Cardwell, starszy badacz z Sandia National Laboratory, zbadali również nowe technologie pamięci, takie jak RRAM i Spintronika, do masowego przechowywania danych w systemach neuromorficznych. Technologie te wykazują potencjał dla skalowalnych rozwiązań i efektywnego radzenia sobie z różnicami w urządzeniach.
Wraz z prognozowanym podwojeniem zużycia energii elektrycznej przez AI do 2026 roku, badacze widzą w komputacji neuromorficznej obiecujące rozwiązanie. Podkreślili, że dziedzina ta jest w „krytycznym momencie”, a skalowalność staje się kluczowym miernikiem postępu.
Komputacja neuromorficzna stanowi drogę do stworzenia bardziej wydajnych, energooszczędnych systemów AI na przyszłość.
Zostaw komentarz
Anuluj odpowiedź