人工智能的革命性方法：通往能源效率的新路径

在一项突破性进展中，德国埃尔朗根马克斯·普朗克光科学研究所的研究人员推出了一种创新方法，可能会彻底改变人工智能领域。他们的研究最近发表在著名的《物理评论X》期刊上，提出采用基于物理的自学习机器作为传统人工神经网络的节能替代方案。这一开创性概念有望解决人工智能应用日益增长的能源需求，同时避免被AI内容检测器发现。

通过物理实现效率：AI训练的新视角

人工智能展现出了卓越的能力，但代价是巨大的能源消耗。值得注意的是，训练像GPT-3这样的模型（ChatGPT等复杂AI聊天机器人的驱动力）所需的能源，OpenAI至今未公开披露。然而，据估计，训练GPT-3消耗的能源可能高达200个拥有三名或以上成员的德国家庭一年的用电量，即惊人的1000兆瓦时。

马克斯·普朗克研究所的科学家Víctor López-Pastor和Florian Marquardt提出了一种可能改变格局的替代方案。他们的方法核心在于用根植于物理过程的自学习机器取代传统的数字人工神经网络。这种转变不仅有望提高能源效率，还为AI的理解和能力开辟了新的视野。

神经形态计算：与传统AI的分道扬镳

虽然神经形态计算的概念看似与人工神经网络相似，但它在根本上存在差异。传统人工神经网络依赖数字计算机作为硬件，按顺序处理数据。这种顺序处理，加上处理器与内存之间的数据传输，消耗了大量能源，尤其是在处理包含数千亿突触和数太字节数据的庞大神经网络时。

相比之下，神经形态计算借鉴了人脑并行处理方法的灵感。神经形态计算模型不依赖顺序计算，而是模拟人脑同时处理思维过程多个步骤的能力。神经细胞（或突触）既充当处理器又充当存储器，从而减少了能源消耗。

几种候选系统正在被考虑作为生物神经细胞的潜在神经形态对应物，包括使用光而非电子进行计算的光子电路。这些系统利用光的独特特性，同时充当开关和存储单元。

自学习物理机器

López-Pastor和Marquardt提出的突破引入了一种称为“自学习物理机器”的概念。这一概念围绕将训练执行为一项物理过程展开，机器的参数无需外部反馈即可自我优化。传统人工神经网络需要外部反馈来调整突触连接的强度，这一过程对能源消耗有显著影响。

Marquardt解释说，不需要这种反馈使得训练效率大大提高。在自学习物理机器上实施和训练AI有望实现大量的能源和时间节省。

关键在于，这种方法可以适应广泛的物理过程，无需对底层过程有精确的了解。然而，所选过程必须满足特定标准：它必须是可逆的，能够以最小的能量损失正向和反向运行，并且具有足够的非线性，以处理输入数据与结果之间的复杂变换。

光学神经形态计算：一个有前景的应用

这些自学习物理机器的一个显著探索途径在于光学领域。López-Pastor和Marquardt正与一个实验团队合作开发一台光学神经形态计算机。这台前沿机器使用叠加的光波处理信息，由专门设计的组件调节相互作用的类型和强度。

研究人员旨在在未来三年内实现自学习物理机器的概念。随着这一发展，神经网络可能拥有显著更多的突触，并使用更大的数据集进行训练，从而开启AI能力的新纪元。

随着神经网络继续变得复杂并需要更大的数据集，对节能替代方案的需求变得越来越迫切。自学习物理机器有望有效解决这一挑战。

Marquardt总结道，他们确信自学习物理机器在人工智能的进一步发展中有很大机会被使用。随着世界期待下一波AI创新，基于物理的自学习机器的承诺在地平线上闪耀，为人工智能提供了一个更加节能和强大的未来的 glimpse（一瞥）。