Dirbtinis intelektas pakeitė mūsų gyvenimo būdą, suteikdamas įrankius ir paslaugas, kuriomis pasitikime kasdien. Nuo pokalbių robotų iki išmaniųjų įrenginių didžiąją dalį šios pažangos daro skaitmeninis AI. Jis yra neįtikėtinai galingas, apdorojantis didžiulius duomenų kiekius, kad pasiektų įspūdingų rezultatų. Tačiau ši galia kainuoja daug: energijos naudojimas. Skaitmeninis AI reikalauja didžiulės skaičiavimo galios, sunaudoja daug energijos ir generuoja šilumą. Augant AI sistemoms, šią energijos naštą tampa sunkiau nepaisyti.
Analoginis AI gali būti atsakymas. Dirbdamas su nuolatiniais signalais, jis žada efektyvesnį ir tvaresnį kelią į priekį. Panagrinėkime, kaip tai galėtų išspręsti šį augantį iššūkį.
Energijos problema skaitmeniniame AI
Kiekvieną kartą, kai bendraujate su pokalbių robotu arba transliuojate rekomendacijomis pagrįstą grojaraštį, kažkur yra kompiuteris, apdorojantis duomenis. Skaitmeninėms AI sistemoms tai reiškia milijardų ar net trilijonų skaičių apdorojimą. Šios sistemos naudoja vadinamąjį dvejetainį kodą – 1s ir 0s – duomenims pavaizduoti ir manipuliuoti. Tai išbandytas metodas, tačiau jis reikalauja daug energijos.
AI modeliai, ypač sudėtingi, reikalauja didžiulės skaičiavimo galios. Pavyzdžiui, gilaus mokymosi modeliai apima didžiulių duomenų rinkinių skaičiavimus per dienas, kartais savaites. Viena treniruotė gali sunaudoti tiek elektros energijos, kiek ir visas miestas per vieną dieną. Ir tai tik treniruotės. Kai šie modeliai bus panaudoti, jiems vis tiek reikia galios, kad galėtų atlikti tokias užduotis kaip kalbos atpažinimas, filmų rekomenduojimas ar robotų valdymas.
Sunaudota energija ne tik dingsta. Tai virsta šiluma. Štai kodėl duomenų centruose rasite milžiniškas aušinimo sistemas. Šios sistemos apsaugo aparatinę įrangą nuo perkaitimo, tačiau padidina energijos suvartojimo lygį. Tai ciklas, kuris tampa netvarus.
AI sistemos taip pat turi veikti greitai, nes jų mokymas reikalauja daug bandymų ir eksperimentų. Kiekviename veiksme tikrinami skirtingi nustatymai, dizainas ar duomenys, siekiant rasti tai, kas geriausiai tinka. Šis procesas gali užtrukti ilgai, jei sistema veikia lėtai. Greitesnis apdorojimas pagreitina šiuos veiksmus, padeda mokslininkams koreguoti modelius, išspręsti problemas ir greičiau paruošti juos naudoti realiame pasaulyje.
Tačiau skaitmeninės sistemos nėra natūraliai sukurtos tokiam greičiui. Iššūkis slypi tame, kaip jie tvarko duomenis. Informacija turi nuolat judėti pirmyn ir atgal tarp atminties (kur ji saugoma) ir procesorių (kur ji analizuojama). Šis judėjimas pirmyn ir atgal sukuria kliūtis, sulėtina darbą ir sunaudoja dar daugiau energijos.
Kitas iššūkis yra tai, kad skaitmeninės sistemos yra natūraliai sukurtos užduotims atlikti po vieną. Šis nuoseklus apdorojimas sulėtina darbą, ypač esant dideliam duomenų kiekiui, su kuriuo dirbtinio intelekto modeliai turi dirbti. Procesoriai, tokie kaip GPU ir TPU, padėjo įgalinti lygiagretų apdorojimą, kai vienu metu vykdoma daug užduočių. Tačiau net ir šie pažangūs lustai turi savo ribas.
Problema kyla dėl to, kaip tobulėja skaitmeninės technologijos. Tai priklauso nuo daugiau tranzistorių suspaudimo į vis mažesnius lustus. Tačiau augant AI modeliams pritrūksta vietos tam. Lustai jau tokie maži, kad juos sumažinti tampa vis brangiau ir sunkiau pasiekti. Ir mažesni lustai sukelia savo problemų. Jie gamina daugiau šilumos ir atliekų energijos, todėl sunku subalansuoti greitį, galią ir efektyvumą. Skaitmeninės sistemos pradeda atsitrenkti į sieną, o augantys dirbtinio intelekto reikalavimai apsunkina jų neatsilikimą.
Kodėl analoginis AI gali būti sprendimas
Analoginis AI suteikia naują būdą spręsti skaitmeninio AI energijos problemas. Užuot pasikliavę 0 ir 1 s, jis naudoja nuolatinius signalus. Tai artimesnė natūraliems procesams, kai informacija sklandžiai sklando. Praleidus visko konvertavimo į dvejetainį veiksmą, analoginis AI sunaudoja daug mažiau energijos.
Viena didžiausių privalumų yra atminties ir apdorojimo derinimas vienoje vietoje. Skaitmeninės sistemos nuolat perkelia duomenis tarp atminties ir procesorių, o tai suryja energiją ir generuoja šilumą. Analoginis AI atlieka skaičiavimus ten, kur saugomi duomenys. Taip taupoma energija ir išvengiama šilumos problemų, su kuriomis susiduria skaitmeninės sistemos.
Taip pat greičiau. Be viso duomenų judėjimo pirmyn ir atgal, užduotys atliekamos greičiau. Dėl to analoginis AI puikiai tinka tokiems dalykams kaip savarankiškai važiuojantys automobiliai, kur greitis yra labai svarbus. Jis taip pat puikiai tinka atlikti daugybę užduočių vienu metu. Skaitmeninės sistemos arba atlieka užduotis po vieną, arba reikia papildomų išteklių, kad jos veiktų lygiagrečiai. Analoginės sistemos sukurtos daugiafunkciniam darbui. Neuromorfiniai lustai, įkvėpti smegenų, vienu metu apdoroja informaciją tūkstančiuose mazgų. Dėl to jie labai veiksmingi atliekant tokias užduotis kaip atpažįstant vaizdus ar kalbą.
Analoginis AI nepriklauso nuo susitraukiančių tranzistorių tobulėjimo. Vietoj to, jis naudoja naujas medžiagas ir dizainą, kad atliktų skaičiavimus unikaliais būdais. Kai kurios sistemos duomenims apdoroti netgi naudoja šviesą, o ne elektros energiją. Šis lankstumas leidžia išvengti fizinių ir techninių apribojimų, su kuriais susiduria skaitmeninės technologijos.
Išspręsdamas skaitmeninio AI energijos ir efektyvumo problemas, analoginis AI suteikia galimybę toliau tobulėti neišeikvodami išteklių.
Analoginio AI iššūkiai
Nors analoginis dirbtinis intelektas yra daug žadantis, jis neapsieina be iššūkių. Viena didžiausių kliūčių yra patikimumas. Skirtingai nuo skaitmeninių sistemų, kurios gali lengvai patikrinti savo operacijų tikslumą, analoginės sistemos yra labiau linkusios į triukšmą ir klaidas. Nedideli įtampos svyravimai gali sukelti netikslumų, todėl šias problemas sunkiau išspręsti.
Analoginių grandinių gamyba taip pat yra sudėtingesnė. Kadangi jie neveikia su paprastomis įjungimo ir išjungimo būsenomis, yra sunkiau sukurti ir gaminti analoginius lustus, kurie veiktų nuosekliai. Tačiau medžiagų mokslo ir grandinių projektavimo pažanga pradeda įveikti šias problemas. Pavyzdžiui, memristoriai tampa patikimesni ir stabilesni, todėl jie yra perspektyvus analoginio AI variantas.
Esmė
Analoginis dirbtinis intelektas gali būti išmanesnis būdas efektyviau naudoti energiją. Jis sujungia apdorojimą ir atmintį vienoje vietoje, veikia greičiau ir vienu metu atlieka kelias užduotis. Skirtingai nuo skaitmeninių sistemų, jis nesiremia mažėjančiais lustais, o tai padaryti tampa vis sunkiau. Vietoj to, jis naudoja novatorišką dizainą, kuris išvengia daugelio šiandien matomų energijos problemų.
Vis dar yra iššūkių, pavyzdžiui, užtikrinti analoginių sistemų tikslumą ir užtikrinti, kad technologija būtų patikima. Tačiau nuolat tobulėjant, analoginis AI kai kuriose srityse gali papildyti ar net pakeisti skaitmenines sistemas. Tai įdomus žingsnis siekiant, kad dirbtinis intelektas būtų galingas ir tvarus.
