Tác giả: Alex McFarland
ngày 3 tháng 10 năm 2023
Lĩnh vực trí tuệ nhân tạo (AI) đang phát triển rất nhanh nổi tiếng với hiệu suất cao nhưng đi kèm với một chi phí năng lượng đáng kể. Một phương pháp mới, được đề xuất bởi hai nhà khoa học hàng đầu tại Viện Max Planck cho Khoa học về Ánh sáng tại Erlangen, Đức, nhằm mục tiêu đào tạo AI một cách hiệu quả hơn, có tiềm năng cách mạng hóa cách AI xử lý dữ liệu.
Các mô hình AI hiện tại tiêu thụ lượng năng lượng lớn trong quá trình đào tạo. Mặc dù con số chính xác khó khăn xác định, ước tính của Statista cho biết việc đào tạo GPT-3 đòi hỏi khoảng 1000 giờ công suất megawatt – tương đương với lượng tiêu thụ hàng năm của 200 hộ gia đình lớn ở Đức. Mặc dù quá trình đào tạo tốn năng lượng này đã điều chỉnh GPT-3 để dự đoán các chuỗi từ, nhưng có sự thống nhất rằng nó chưa thấu hiểu được ý nghĩa bản chất của các cụm từ như vậy.
Máy tính Sinh học: Sự Kết hợp giữa Não và Máy Móc
Trong khi các hệ thống trí tuệ nhân tạo truyền thống dựa vào các mạng thần kinh nhân tạo kỹ thuật số, tương lai có thể nằm ở máy tính Sinh học. Florian Marquardt, một giám đốc tại Viện Max Planck và giáo sư tại Đại học Erlangen, đã làm rõ nhược điểm của các thiết lập trí tuệ nhân tạo truyền thống.
“Việc truyền dữ liệu giữa bộ xử lý và bộ nhớ một mình đã tiêu thụ một lượng lớn năng lượng,” Marquardt nhấn mạnh, chú ý đến sự không hiệu quả khi đào tạo các mạng thần kinh lớn.
Máy tính Sinh học lấy cảm hứng từ bộ não con người, xử lý dữ liệu theo cách song song thay vì tuần tự. Theo cách cơ bản, các liên kết thần kinh trong não hoạt động cả như bộ xử lý và bộ nhớ. Các hệ thống bắt chước những đặc điểm này, chẳng hạn như mạch phóng điện sử dụng ánh sáng cho các phép tính, hiện đang được khám phá.
Đào tạo Trí tuệ Nhân tạo bằng Máy Móc Tự Học
Hợp tác cùng với sinh viên nghiên cứu tiến sĩ Víctor López-Pastor, Marquardt đã giới thiệu một phương pháp đào tạo đổi mới cho máy tính Sinh học. “Máy móc tự học” của họ cơ bản tối ưu hóa các tham số của nó thông qua một quá trình vật lý bẩm sinh, làm cho phản hồi từ bên ngoài không còn cần thiết. “Không cần phản hồi này làm cho quá trình đào tạo hiệu quả hơn nhiều,” Marquardt nhấn mạnh, đề xuất rằng phương pháp này sẽ tiết kiệm cả năng lượng và thời gian tính toán.
Tuy nhiên, kỹ thuật đột phá này có yêu cầu cụ thể. Quá trình phải có tính đảo ngược, đảm bảo mất năng lượng tối thiểu, và đủ phức tạp hoặc phi tuyến tính. “Chỉ có các quá trình phi tuyến tính mới có thể thực hiện các biến đổi phức tạp giữa dữ liệu đầu vào và kết quả,” Marquardt nói, vẽ ra sự phân biệt giữa các hoạt động tuyến tính và phi tuyến tính.
Hướng tới Triển Khai Thực Tế
Cơ sở lý thuyết của cặp đôi này tương thích với các ứng dụng thực tế. Họ đang hợp tác với một nhóm thử nghiệm để phát triển một máy tính Sinh học quang học xử lý thông tin bằng sóng ánh sáng chồng chất lên nhau. Mục tiêu của họ rất rõ ràng: biến ý tưởng về máy móc tự học vật lý thành hiện thực.
“Chúng tôi hy vọng sẽ trình diễn máy móc tự học vật lý đầu tiên trong vòng ba năm,” Marquardt tiên đoán, cho thấy rằng các mạng lưới trong tương lai này sẽ xử lý nhiều dữ liệu hơn và được đào tạo bằng các tập dữ liệu lớn hơn so với các hệ thống hiện đại. Với sự tăng cầu ngày càng cao đối với trí tuệ nhân tạo và sự không hiệu quả bẩm sinh của các thiết lập hiện tại, sự chuyển đổi đến máy tính Sinh học được đào tạo một cách hiệu quả dường như vừa tất yếu vừa hứa hẹn.
Theo lời của Marquardt, “Chúng tôi tin rằng máy móc tự học vật lý có cơ hội lớn trong sự tiến hóa liên tục của trí tuệ nhân tạo.” Cả cộng đồng khoa học và các người hâm mộ trí tuệ nhân tạo đang đợi trong háo hức xem tương lai sẽ đem lại điều gì.
