Construirea unui creier artificial cu 86 de miliarde de neuroni fizici (dar nu biologici).

Ce se întâmplă dacă în încercarea noastră de a construi inteligență artificială nu simulăm neuroni în cod și imită rețelele neuronale în Python, ci construim neuroni fizici reali conectați prin sinapse fizice în moduri foarte asemănătoare cu propriul nostru creier biologic? Și, astfel, creați rețele neuronale care sunt de 1000 de ori mai eficiente energetic decât cadrele AI existente?

Exact asta încearcă să facă Rain Neuromorphics: să construiască un creier artificial non-biologic, dar foarte uman.

Care, în același timp, utilizează mult mai puțină energie și este mult mai rapid la învățare decât proiectele AI existente. Și asta învață, pe scurt, cam așa cum facem noi, oamenii din spațiul de carne. În plus, acesta este construit cu cipuri analogice, nu digitale.

„Avem un fel de două misiuni care sunt foarte complementare: una dintre ele este de a construi un creier, iar cealaltă este de a-l înțelege cu adevărat”, mi-a spus Gordon Wilson, CEO-ul Rain Neuromorphics, cu vorbire blândă, dar cu gândire profundă. Recent Podcast TechFirst. „În cele din urmă, le vedem ca niște piese Lego pe care, datorită amprentei lor de putere redusă, vom putea să le concatenăm împreună folosind lucruri precum integrarea chipleturilor, ambalarea avansată și, în cele din urmă, să extindem aceste sisteme pentru a fi la scară cerebrală – 86 miliarde de neuroni, 500 de trilioane de sinapse – și suficient de reduse pentru a putea exista în dispozitive autonome.”

Wilson pare să aibă obiceiul de a spune foarte liniștit și fără pretenții lucruri care sunt în esență complet uimitoare și care schimbă lumea. Atât de liniștit aproape că ratezi scara gigantesca a schemei.

Care, în acest caz, este nimic mai puțin decât proiectul Frankenstein.

Wilson și co-fondatorii Jack Kendall și Juan Nino au început acum patru ani cu o mică rundă de semințe. La sfârșitul anului trecut, echipa a înregistrat împreună un cip demonstrativ care dovedeste au scos cel puțin câteva dintre teoriile lor despre construirea hardware-ului analog-creier pentru sarcinile de lucru ale inteligenței artificiale prin intermediul unui cip complet analog. Și în urmă cu doar o lună, echipa a fost răsplătită cu o rundă de finanțare de 25 de milioane de dolari pentru a finaliza acel design, a-l proiecta pentru a fi fabricabil și a-l aduce pe piață.

Unul dintre investitori?

Sam Altman, directorul general al inteligenței artificiale și Open AI.

Cheia proiectului este faptul că Rain Neuromorphics construiește un cip analog. Acest lucru este foarte diferit de 99,9% dintre cipurile de computer de pe piață care reduc realitatea așa cum o văd ei la binar: pornit sau oprit, zerouri sau unu. Acele cipuri trebuie să modeleze faptele și relațiile și verbele programelor de calculator cu matematică digitală foarte precisă.

Cipurile analogice, pe de altă parte, reprezintă realitatea într-un mod foarte natural.

„Chipurile digitale sunt… construite în partea de jos pe zerouri și unu, pe această logică booleană de pornit sau oprit, iar toată cealaltă logică este apoi construită pe deasupra”, explică Wilson. „Când micșorați până la partea de jos a unui cip analogic, nu aveți zerouri sau unu, aveți gradiente de informații. Ai tensiuni și curenți și rezistențe. Aveți cantități fizice pe care le măsurați, care reprezintă operațiile matematice pe care le efectuați și exploateți relația dintre acele cantități fizice pentru a efectua apoi aceste operații neuronale foarte complexe.”

Cum funcționează?

Făcând ca fizica să facă munca de calcul pentru noi, mai degrabă decât să o forțeze brut printr-un ecran de realitate de unu și zero.

Deci, atunci când construiești o rețea neuronală și o modelezi pe modul în care creierul uman învață, stochează date și execută decizii atât de incredibil de eficient, măsori concluzii mai mult decât ajungi la ele, folosind neuronii și sinapsele artificiale pe care le-ai avut. construit.

Ascultă interviul:

„Într-un cip analog… avem activările neuronilor reprezentate de tensiuni”, spune Wilson. „Avem greutățile sinapselor reprezentate de rezistențe, care sunt ținute în componente numite memristori. Și când acea tensiune trece peste acea rezistență, aveți o relație naturală între tensiune și rezistență care este multiplicativă. Pentru a primi un curent, citiți un curent și aceasta este rezultatul dvs. Deci, un cip analogic funcționează prin înțelegerea mai întâi a acestor relații fizice dintre cantitățile electrice și exploatarea acestora pentru a face calculul – pentru a face fizica să facă calculul pentru noi.

Ceea ce, pentru mine, sună atât inimaginabil de complex, cât și sublim de simplu.

Un fel, poate, ca creierul nostru.

Construirea de cipuri cu analogi ai neuronilor biologici și dendritelor și rețelelor neuronale precum creierul nostru este, de asemenea, cheia pentru câștigurile masive de eficiență pe care Rain Neuromorphics le susține: de 1.000 de ori mai eficiente decât cipurile digitale existente de la companii precum Nvidia.

Această îmbunătățire de 1000X vine din două locuri: o reducere de putere necesară de 10X și o îmbunătățire de 100X a vitezei. Dacă se realizează, împreună cele două se combină pentru a oferi rezultate similare hardware-ului digital cu cerințe de energie cu trei ordine de mărime mai mici.

Utilizarea energiei contează din motive diferite în contexte diferite.

În fermele de servere, mai multă energie are implicații de cost, precum și implicații de căldură (și implicații suplimentare privind cerințele de răcire). În aplicațiile mobile sau de vârf, energia poate fi puțină sau dificil de furnizat, făcând o aplicație eficientă din punct de vedere energetic mult mai interesantă decât o fiară a unui cip avid de putere.

„Cred că acesta va fi primul pas pentru un fel de inferență și dispozitive de putere redusă, dar nu dorim ca dispozitivele să fie doar pre-programate și să facă doar ceea ce fac în lume”, spune Wilson. „Vrem ca dispozitivele să învețe singure. Ne dorim ca dispozitivele să aibă un creier adaptiv care învață continuu dintr-un mediu în schimbare și dintr-un sine în schimbare.”

Cipurile analogice pot atinge o viteză mult mai mare decât cipurile digitale, deoarece calculul, din nou, se face în mod esențial pentru tine: intrare la ieșire la „viteza firului”, așa cum spune Wilson. Cipurile parțial analogice realizează o parte din acest lucru pentru operațiuni specifice, dar totuși primesc bilete de viteză pentru traduceri în și dinspre state digitale.

Provocarea pentru cipurile complet analogice a fost, desigur, că, împreună cu acea viteză fulgerătoare, obțineți și o specificitate extremă. Acolo unde un cip digital poate face „orice”, un cip analog face doar ceea ce a fost conceput.

Rain Neuromorphics, în esență, construiește ceva cu un cip analog de uz general, deoarece construiesc un analog al creierului uman, conectând neuronii individuali cu sinapsele conform unui model de rețea de lume mică care asigură că neuronii au atât distanțe scurte, cât și lungi. conexiuni care creează ochiuri de conectivitate extrem de eficiente și eficiente (gândiți-vă la șase grade de Kevin Bacon).

Și cipurile se vor învăța, în esență, cum să facă diferitele locuri de muncă cu care sunt însărcinați, așa cum învățăm atât ca copii, cât și ca adulți… și adesea cu doar unul sau două exemple de date de antrenament.

„Creierul se antrenează și învață cu ambele foarte puține exemple”, spune Wilson. „Învățăm cu un exemplu sau două exemple, învățare într-un singur pas, învățare în două lovituri și putem generaliza extraordinar de bine. Așadar, învățarea/formarea are loc foarte, foarte eficient.”

Există o mulțime de muncă de făcut și o mulțime de concurenți.

Nvidia este una majoră, iar IBM construiește și cipuri neuromorfe: cipul Loihi despre care am scris la începutul anului 2021, pe care Intel îl folosește pentru a construi drone și sisteme de navigație mai bune.

Rain Neuromorphics speră să iasă pe piață în 2025.

Și, în cele din urmă, conectați suficiente dintre cipurile sale împreună – 86 de miliarde de neuroni, 500 de trilioane de sinapse – pentru a permite un creier artificial. Ceea ce ne-ar putea să ne permită să atingem un nivel de inteligență artificială care se apropie de IA generală.

Dacă da, nu putem decât să sperăm că am învățat câteva lecții de la Frankenstein.

Aboneaza-te la TechFirst; obtine o transcrierea acestui interviu.

Leave a Comment

Your email address will not be published.