Μπορεί η τεχνητή νοημοσύνη να μάθει να σκέφτεται μόνη της; Μια ερευνητική ομάδα από το University of Texas στο Dallas πιστεύει πως ναι και μάλιστα χωρίς τεράστιες βάσεις δεδομένων, χωρίς υπερυπολογιστές και χωρίς κατανάλωση ενέργειας σε κλίμακα εργοστασίου. Οι μηχανικοί του πανεπιστημίου παρουσίασαν ένα πρωτότυπο chip, εμπνευσμένο από τη λειτουργία του ανθρώπινου εγκεφάλου, που έχει τη δυνατότητα να μαθαίνει και να προσαρμόζεται μόνο του. Το σύστημα θα μπορούσε να φέρει την αυτοεκπαίδευση απευθείας σε smartphones, wearables και άλλες φορητές συσκευές χαμηλής ισχύος.
Επικεφαλής του project είναι ο Joseph S. Friedman, αναπληρωτής καθηγητής ηλεκτρολόγων και μηχανικών υπολογιστών και διευθυντής του NeuroSpinCompute Laboratory. Η ομάδα του δημιούργησε μια μικροσκοπική συσκευή που λειτουργεί όπως οι νευρώνες του ανθρώπινου εγκεφάλου: αναγνωρίζει πρότυπα, προβλέπει αποτελέσματα και βελτιώνεται μέσα από τη διαδικασία επανάληψης και ενίσχυσης των εσωτερικών της συνδέσεων. Με άλλα λόγια, πρόκειται για ένα σύστημα που πραγματικά «μαθαίνει από τα λάθη του».
Η αρχή πάνω στην οποία βασίζεται η συσκευή είναι γνωστή στη νευροψυχολογία ως ο νόμος του Hebb: «οι νευρώνες που ενεργοποιούνται μαζί, συνδέονται μεταξύ τους». Η ομάδα του Friedman μετέφερε αυτόν τον βιολογικό κανόνα στον κόσμο των ηλεκτρονικών. Όταν ένας τεχνητός «νευρώνας» ενεργοποιεί έναν άλλο, η σύνδεση μεταξύ τους ενισχύεται, καθιστώντας το δίκτυο πιο αποδοτικό στην επόμενη αλληλεπίδραση. Έτσι, το chip μπορεί να αναγνωρίζει μοτίβα και να προσαρμόζει τη συμπεριφορά του χωρίς να χρειάζεται επίβλεψη ή εκπαίδευση με τεράστια σετ δεδομένων.
Το μυστικό κρύβεται στα λεγόμενα magnetic tunnel junctions (MTJ), μικροσκοπικά εξαρτήματα που αποτελούνται από δύο μαγνητικά στρώματα χωρισμένα από ένα λεπτό μονωτικό φράγμα. Η αγωγιμότητα των ηλεκτρονίων μεταβάλλεται ανάλογα με τη μαγνητική ευθυγράμμιση αυτών των στρωμάτων: όταν είναι παράλληλα, το ρεύμα ρέει πιο εύκολα, όταν όχι, η αντίσταση αυξάνεται. Συνδέοντας εκατοντάδες τέτοια MTJs, οι μηχανικοί δημιούργησαν ένα δίκτυο που μπορεί να ενισχύει ή να εξασθενεί τις συνδέσεις του δυναμικά, ανάλογα με τα ερεθίσματα που λαμβάνει. Με αυτόν τον τρόπο, η συσκευή αποκτά κάτι που μοιάζει με «νευρωνική πλαστικότητα», μια ιδιότητα που έως τώρα θεωρούνταν αποκλειστικά βιολογική.
Η διαφορά σε σχέση με τα συμβατικά chips είναι θεμελιώδης. Στους παραδοσιακούς επεξεργαστές, η μνήμη και η υπολογιστική μονάδα είναι δύο ξεχωριστά τμήματα που ανταλλάσσουν δεδομένα συνεχώς. Αυτή η διαρκής μεταφορά πληροφοριών κοστίζει χρόνο και ενέργεια. Το νέο νευρομορφικό σύστημα, αντίθετα, ενοποιεί αποθήκευση και επεξεργασία σε ένα και μόνο σημείο, όπως ακριβώς συμβαίνει στον εγκέφαλο. Το αποτέλεσμα είναι εντυπωσιακή εξοικονόμηση ενέργειας και δυνατότητα εκμάθησης σε πραγματικό χρόνο, χωρίς ανάγκη σύνδεσης με το cloud.
«Οι νευρομορφικοί υπολογιστές δεν χρειάζονται τεράστιους όγκους δεδομένων ή ακριβή υπολογιστική ισχύ», εξηγεί ο Friedman. «Αυτό σημαίνει ότι οι έξυπνες συσκευές του μέλλοντος θα μπορούν να λειτουργούν αυτόνομα, χωρίς να βασίζονται συνεχώς σε απομακρυσμένους servers». Η προοπτική αυτή θα μπορούσε να αλλάξει ριζικά το τοπίο της τεχνητής νοημοσύνης, φέρνοντας την «αυτογνωσία» των αλγορίθμων απευθείας στις συσκευές που χρησιμοποιούμε καθημερινά.
Η ομάδα του NeuroSpinCompute Laboratory σχεδιάζει τώρα να επεκτείνει το πρωτότυπο, αυξάνοντας την υπολογιστική του ισχύ και την ικανότητα αυτοπροσαρμογής του. Ο στόχος είναι η δημιουργία ενός μεγαλύτερου νευρομορφικού συστήματος που θα μπορεί να επεξεργάζεται δεδομένα σε πραγματικό χρόνο, καταναλώνοντας ελάχιστη ενέργεια, ένα χαρακτηριστικό που θα μπορούσε να κάνει τα σημερινά AI chips να μοιάζουν ενεργειακά σπάταλα. Αν επιτευχθεί, θα σηματοδοτήσει τη γέννηση μιας νέας κατηγορίας «σκεπτόμενων» επεξεργαστών.
Το πιο συναρπαστικό, ωστόσο, είναι οι εφαρμογές αυτής της τεχνολογίας. Ένα τέτοιο chip θα μπορούσε να τοποθετηθεί σε φορητές συσκευές, smartphones, drones ή ακόμη και εμφυτεύσιμους ιατρικούς αισθητήρες που θα μαθαίνουν από το σώμα του χρήστη. Αντί να στέλνουν δεδομένα σε απομακρυσμένα δίκτυα για ανάλυση, αυτές οι συσκευές θα επεξεργάζονται και θα προσαρμόζονται τοπικά, σε πραγματικό χρόνο, όπως ακριβώς κάνει ένας εγκέφαλος.
Το βήμα από την έρευνα στην εμπορική εφαρμογή δεν είναι απλό, αλλά οι ειδικοί θεωρούν ότι η συγκεκριμένη προσέγγιση μπορεί να φέρει επανάσταση στην πληροφορική.
[source]
