Umelá inteligencia (AI) má potenciál riešiť komplexné problémy vrátane klimatických zmien. Avšak energetické potreby modelov AI prispievajú ku problému, ktorý sa snažia riešiť. Zatiaľ čo infraštruktúra AI, ako sú dátové centrá, emituje významné množstvo uhlíkových emisií, alternatívne prístupy k vývoju AI môžu pomôcť znížiť jeho environmentálny dosah.
Dve sľubné technológie, spikové neurónové siete (SNNs) a celoživotné učenie (L2), ponúkajú energeticky účinné alternatívy k bežným umelej neurónovej sieti (ANNs). ANNs spracovávajú údaje pomocou desatinných čísiel, čo si vyžaduje vysoký výpočtový výkon a energiu. S nárastom veľkosti a zložitosti ANNs sa zvyšuje ich spotreba energie. Inšpirované ľudským mozgom, ANNs a SNNs majú oba umelé neuróny, ale spôsob, akým prenášajú informácie, sa líši.
V ľudskom mozgu neuróny komunikujú prostredníctvom prerušovaných elektrických signálov nazvaných spiky. Časovanie týchto spikov obsahuje informácie, čo robí mozog veľmi energeticky efektívnym. Podobne SNNs používajú vzory alebo časovanie spikov na spracovanie a prenos informácií. Na rozdiel od ANNs SNNs spotrebúvajú energiu len v prípade, že sa vyskytne spike, čo vedie k významne nižším energetickým požiadavkám. SNNs môžu byť až 280-krát energeticky efektívnejšie než ANNs.
Výskumníci pracujú na vývoji učiacich algoritmov pre SNNs s cieľom priblížiť ich energetickej efektivite mozgu. Redukované výpočtové požiadavky SNNs by mohli umožniť rýchlejšie rozhodovanie, čo ich robí vhodnými pre rôzne aplikácie, vrátane prieskumu vesmíru, obrany a samo riadených áut.
Okrem toho, celoživotné učenie (L2) je stratégia, ktorá si kladie za cieľ znížiť energetické požiadavky ANNs počas ich života. Typické ANNs zabúdajú na predchádzajúce poznatky pri učení nových úloh a vyžadujú reštrukturalizáciu od základov, keď sa zmení pracovné prostredie. L2 umožňuje modelom AI učiť sa postupne na viacerých úlohách bez zabúdania na predchádzajúce poznatky, čím minimalizuje energeticky náročné reštrukturalizácie.
Na ďalšie zmiernenie energetických nárokov AI výskumníci preskúmavajú aj ďalšie pokroky, ako je budovanie menších, no rovnako schopných modelov a využitie kvantového počítačovania pre rýchlejšie trénovanie a závery.
Aj keď AI predstavuje výzvy z hľadiska jej vplyvu na klímu, inovatívne prístupy ako SNNs, L2 a budúce pokroky ponúkajú nádej na rozvoj energeticky efektívnych systémov AI. Prioritou udržateľnosti v rozvoji AI môžeme využiť potenciál tejto technológie a zároveň minimalizovať jej environmentálny dosah.
The source of the article is from the blog windowsvistamagazine.es