Ένα βήμα πιο κοντά στην αληθινή βιολογική νοημοσύνη φαίνεται πως έφερε μια ερευνητική ομάδα του University of Southern California (USC). Οι επιστήμονες κατάφεραν να δημιουργήσουν ένα τεχνητό νευρωνικό μοντέλο που δεν μιμείται απλώς την ηλεκτρική δραστηριότητα του ανθρώπινου εγκεφάλου, αλλά και τη χημική. Το επίτευγμα, που δημοσιεύτηκε στο περιοδικό Nature Electronics, θα μπορούσε να ανοίξει τον δρόμο για μια νέα γενιά υπολογιστικών συστημάτων τεχνητής νοημοσύνης, πολύ πιο αποδοτικών και εγγύτερων στη φυσιολογική λειτουργία του ανθρώπινου νου.
Η ομάδα του Joshua Yang, διευθυντή του Center of Excellence on Neuromorphic Computing στο USC, ανέπτυξε τα λεγόμενα «diffusion memristors», μια νέα κατηγορία ηλεκτρονικών στοιχείων που λειτουργούν με τρόπο ριζικά διαφορετικό από τα παραδοσιακά τρανζίστορ. Ενώ οι κλασικοί ημιαγωγοί βασίζονται στη ροή ηλεκτρονίων για να μεταφέρουν πληροφορία, τα diffusion memristors χρησιμοποιούν την κίνηση μεταλλικών ιόντων. Στην περίπτωση του πρωτοτύπου, οι ερευνητές χρησιμοποίησαν ιόντα αργύρου που κινούνται μέσα σε ένα στρώμα οξειδίου, αναπαράγοντας με εντυπωσιακή ακρίβεια τη συμπεριφορά των φυσικών νευροδιαβιβαστών, των χημικών ουσιών που επιτρέπουν στους νευρώνες του εγκεφάλου να επικοινωνούν μεταξύ τους.
Σύμφωνα με τον Yang, αν και οι τεχνητοί αυτοί νευρώνες δεν είναι ακριβώς ταυτόσημοι με τους βιολογικούς, οι ομοιότητες είναι εντυπωσιακές. «Ο άργυρος διαχέεται εύκολα και μας επιτρέπει να μιμηθούμε τις ίδιες δυναμικές που παρατηρούμε στα φυσικά συστήματα, με μια εξαιρετικά απλή ηλεκτρονική αρχιτεκτονική», εξηγεί. Το πιο σημαντικό πλεονέκτημα, προσθέτει, είναι η απλότητα: κάθε τεχνητός νευρώνας μπορεί να υλοποιηθεί χρησιμοποιώντας μόλις ένα τρανζίστορ. Αυτό σημαίνει δραστική μείωση σε κατανάλωση ενέργειας και απαιτούμενο χώρο, σε πλήρη αντίθεση με τις σημερινές νευρομορφικές πλατφόρμες, που χρειάζονται δεκάδες ή και εκατοντάδες τρανζίστορ για να προσομοιώσουν τη λειτουργία ενός μόνο νευρώνα.
Η σύγκριση με τον ανθρώπινο εγκέφαλο είναι αναπόφευκτη. Το βιολογικό μας όργανο επεξεργάζεται πληροφορίες, αναγνωρίζει πρόσωπα, μαθαίνει σύνθετα μοτίβα και παίρνει αποφάσεις καταναλώνοντας μόλις 20 watts ενέργειας, δηλαδή λιγότερη από μια λάμπα γραφείου. Αντίθετα, τα σημερινά συστήματα τεχνητής νοημοσύνης, όπως τα μεγάλα γλωσσικά μοντέλα, απαιτούν τεράστιες ποσότητες ηλεκτρικής ενέργειας και δεδομένων για να εκτελέσουν λειτουργίες που για τον άνθρωπο είναι σχεδόν αυτόματες.
Αυτό ακριβώς το χάσμα θέλουν να γεφυρώσουν οι ερευνητές του USC. Η προσέγγισή τους εστιάζει σε μια μορφή «υλικής νοημοσύνης» — hardware intelligence — όπου η μάθηση και η επεξεργασία δεν εξαρτώνται αποκλειστικά από το λογισμικό, αλλά είναι εγγενή χαρακτηριστικά των ίδιων των υλικών. Με άλλα λόγια, το chip «μαθαίνει» μέσα από τη φυσική του συμπεριφορά, όπως οι νευρώνες του εγκεφάλου προσαρμόζονται και ενισχύουν τις συνδέσεις τους μέσω χημικών μεταβολών.
Ο Yang υποστηρίζει πως το βασικό πρόβλημα της σημερινής τεχνητής νοημοσύνης δεν είναι η έλλειψη υπολογιστικής ισχύος, αλλά η χαμηλή ενεργειακή της απόδοση. «Οι μηχανές μας είναι πολύ καλές στο να επεξεργάζονται δεδομένα, αλλά το κάνουν με τρόπο αφύσικο και ενεργειακά σπάταλο. Ο εγκέφαλος έλυσε αυτό το πρόβλημα πριν από εκατομμύρια χρόνια», αναφέρει χαρακτηριστικά. Για αυτό και το εργαστήριό του στρέφεται σε μια βιομιμητική λογική: εγκαταλείπει τον καθαρά ψηφιακό τρόπο σχεδίασης μικροτσίπ και αντλεί έμπνευση απευθείας από τις φυσικές διαδικασίες του ανθρώπινου οργανισμού.
Προς το παρόν, το βασικό υλικό των πρωτοτύπων (ο άργυρος) δεν είναι συμβατό με τη μαζική βιομηχανική παραγωγή ημιαγωγών. Ωστόσο, η ομάδα ήδη δοκιμάζει εναλλακτικές, βασισμένες σε άλλα μεταλλικά ιόντα με παρόμοια χαρακτηριστικά. Ο επόμενος στόχος είναι η δημιουργία ενός πλήρους νευρωνικού δικτύου με χιλιάδες από αυτούς τους τεχνητούς νευρώνες, προκειμένου να αξιολογηθεί η ικανότητά του να «μαθαίνει» και να αναγνωρίζει πρότυπα, κάτι που σήμερα επιτυγχάνεται κυρίως μέσω λογισμικού σε συμβατικά chips.
Η προοπτική είναι διπλή: από τη μία, η ανάπτυξη νέας γενιάς chips που θα καταναλώνουν ελάχιστη ενέργεια, και από την άλλη, η βαθύτερη κατανόηση των μηχανισμών που διέπουν τη λειτουργία του ανθρώπινου εγκεφάλου. Αν οι προσδοκίες αυτές επιβεβαιωθούν, η τεχνητή νοημοσύνη του μέλλοντος ίσως πάψει να «μιμείται» τη σκέψη και αρχίσει να λειτουργεί πραγματικά όπως εκείνη.
[source]
