- ドイツの研究者たちは、エネルギー消費を削減できる可能性のあるAI用の標準的なニューラルネットワークの代替案を提案しています。
- 脳の並列処理からインスピレーションを得て、彼らは「神経形態コンピューティング」と呼ばれるより効率的なアプローチを探求しています。
- これらのマシンは自己最適化し、エネルギー節約と迅速なトレーニングによってAIに革命をもたらす可能性があります。
画期的な進展として、ドイツ・エルランゲンのマックス・プランク光科学研究所の研究者たちは、人工知能の分野を変革しうる革新的な手法を導入しました。最近権威ある学術誌『Physical Review X』に発表された彼らの研究は、従来の人工ニューラルネットワークに代わるエネルギー効率の高い代替手段として、物理ベースの自己学習機械の採用を提案しています。この先駆的な概念は、AIアプリケーションの増大するエネルギー需要に対応しつつ、AIコンテンツ検出器による検出を回避する可能性を秘めています。
物理による効率化：AIトレーニングへの新たな視点
人工知能は顕著な能力を示していますが、その代償として多大なエネルギー消費を伴っています。特に、ChatGPTのような高度なAIチャットボットの原動力であるGPT-3のようなモデルのトレーニングに必要なエネルギー量は、OpenAIによって未だ非公開です。しかし、推定では、GPT-3のトレーニングには、3人以上の世帯を持つドイツの世帯200世帯が1年間に消費するエネルギー、つまり1,000メガワット時に相当する膨大なエネルギーが消費される可能性があります。
マックス・プランク研究所の科学者であるVíctor López-PastorとFlorian Marquardtは、状況を変革しうる代替案を提示しています。彼らのアプローチは、従来のデジタル人工ニューラルネットワークを、物理プロセスに根ざした自己学習機械に置き換えることに依存しています。この変化は、エネルギー効率の向上だけでなく、AIの理解と能力に関する新たな地平を開くことを約束しています。
神経形態コンピューティング：伝統的なAIからの脱却
神経形態コンピューティングの概念は人工ニューラルネットワークに似ているように思えますが、根本的に異なります。従来の人工ニューラルネットワークは、ハードウェアとしてデジタルコンピュータに依存し、データを逐次処理します。この逐次処理と、プロセッサとメモリ間のデータ転送は、数百億のシナプスとテラバイトのデータを含む巨大なニューラルネットワークを扱う際、特に多量のエネルギーを消費します。
一方、神経形態コンピューティングは、人間の脳の並列処理アプローチからインスピレーションを得ています。逐次計算に依存するのではなく、神経形態コンピューティングは、脳の思考プロセスの複数のステップを同時に処理する能力を模倣します。神経細胞、またはシナプスは、プロセッサとメモリの両方の役割を果たし、エネルギー消費を削減します。
光ではなく電子を使用して計算を行うフォトニック回路など、いくつかの候補システムが、生物学的神経細胞の潜在的な神経形態対応物として検討されています。これらのシステムは、光の独特な性質を活用し、同時にスイッチとメモリセルとして機能します。
自己学習型物理機械
López-PastorとMarquardtが提示した画期的な概念は、自己学習型物理機械として知られるものです。この概念は、機械のパラメータが外部フィードバックを必要とせずに自己最適化される物理プロセスとしてトレーニングを実行することに焦点を当てています。従来の人工ニューラルネットワークは、シナプス接続の強度を調整するために外部フィードバックを必要とし、このプロセスはエネルギー消費に大きな影響を与えます。
Marquardtは、このフィードバックを必要としないことがトレーニングをはるかに効率的にすると説明しています。自己学習型物理機械上でAIを実装しトレーニングすることは、大幅なエネルギーと時間の節約をもたらす可能性を秘めています。
重要なのは、この方法が基礎となるプロセスの正確な知識を必要とせず、幅広い物理プロセスに対応できることです。ただし、選択されたプロセスは特定の基準を満たす必要があります。それは可逆的であり、最小限のエネルギー損失で順方向と逆方向の両方で実行可能であり、入力データと結果間の複雑な変換を処理するのに十分に非線形であることです。
光学的神経形態コンピューティング：有望な応用
これらの自己学習型物理機械の探索における注目すべき分野の一つは光学です。López-PastorとMarquardtは、実験チームと協力して、光学的神経形態コンピュータを開発しています。この最先端の機械は、重なり合う光波を使用して情報を処理し、特別に設計されたコンポーネントが相互作用の種類と強度を制御します。
研究者たちは、今後3年以内に自己学習型物理機械の概念を実現することを目指しています。この進展により、ニューラルネットワークははるかに多くのシナプスを持ち、より大きなデータセットでトレーニングされ、AI能力の新たな時代を切り開くことになります。
ニューラルネットワークが複雑さを増し、より大きなデータセットを必要とするにつれて、エネルギー効率の高い代替手段の必要性はますます緊迫しています。自己学習型物理機械は、この課題に効果的に対応する可能性を秘めています。
Marquardtは、自己学習型物理機械が人工知能のさらなる発展に使用される強い可能性があると確信していると結論づけています。世界が次の波のAI革新を待ち望む中、物理ベースの自己学習機械の約束は地平線に明るく輝き、人工知能にとってよりエネルギー効率が高く、能力のある未来への一瞥を提供しています。
これをお読みいただいているあなたは、すでに一歩先を行っています。当社のニュースレターでその先を行ってください。
免責事項。 本情報は投資助言ではありません。Cryptopolitan.com は、本ページに記載された情報に基づいて行われた投資について一切の責任を負いません。いかなる投資判断を下す前に、独立した調査および/または資格のある専門家への相談を強く推奨します。
ランダ・モーゼス
ランダ・モーゼスはCryptopolitanのエディター兼記者で、テクノロジー、AI、ロボティクス、暗号資産、詐欺、ハッキングなどを担当しています。2017年以来暗号資産分野で活動しており、Forward Protocol、AmaZix、Cryptosomniacで役職を務めました。ブラッドフォード大学で電気電子工学の学位を取得しています。
