Цель проекта — создать аналоговые вычислительные схемы, вдохновлённые работой человеческого мозга, способные выполнять задачи искусственного интеллекта с в разы меньшим энергопотреблением, чем современные цифровые системы.
Сегодняшние системы искусственного интеллекта, управляющие дронами и автономными транспортными средствами, основаны на искусственных нейронных сетях, концептуально имитирующих мозг. Однако эти сети работают на цифровых компьютерах, изначально созданных для универсальных вычислений, а не для обработки данных в реальном времени.
Это приводит к одной фундаментальной проблеме:
Высокое энергопотребление.
Для дронов и других автономных систем, ограниченных ёмкостью батарей, это критично. Чем больше энергии тратится на обработку изображений и принятие решений, тем короче время полёта и ниже автономность.
Вместо того чтобы улучшать существующие цифровые архитектуры, команда Рочестера делает революционный шаг назад — к биологии.
Они отказываются от традиционного подхода, основанного на обратном распространении ошибки (backpropagation) — методе, лежащем в основе большинства современных ИИ, но биологически неправдоподобном. Мозг человека не обучается, вычисляя градиенты и корректируя веса в сети — он делает это иначе.
«Нейробиологи показали, что мозг работает не так, как цифровые нейросети, — говорит доктор Майкл Хуанг, профессор электротехники и вычислительной техники в Университете Рочестера. — Преобладающая теория — предиктивное кодирование — предполагает, что мозг строит внутреннюю модель мира и постоянно её обновляет на основе сенсорной обратной связи».
Представьте: вы слышите фразу, переформулируете её в уме, «возвращаете» собеседнику и корректируете своё понимание, если он говорит: «Не совсем так».
Это и есть иерархический процесс прогнозирования и коррекции, который и лежит в основе новой системы.
Команда разрабатывает аналоговые схемы, реализующие нейронные сети предиктивного кодирования. В отличие от цифровых чипов, которые обрабатывают данные в виде нулей и единиц, аналоговые системы работают с непрерывными сигналами — как нейроны в мозге.
Преимущества:
- Значительно меньшее энергопотребление — аналоговые схемы не требуют постоянного включения/выключения транзисторов.
- Высокая скорость обработки — вычисления происходят параллельно и непрерывно.
- Естественная совместимость с сенсорами (камеры, микрофоны), которые изначально генерируют аналоговые сигналы.
Важно, что система будет создана на базе существующих технологий, включая CMOS (комплементарный металл-оксидный полупроводник) — стандартный процесс, используемый в производстве микросхем. Это упрощает путь к массовому производству.
Проект рассчитан на 54 месяца (4,5 года). В него входят:
- Майкл Хуанг, Хуэй Ву и Тонг Гэн — профессора электротехники и вычислительной техники Университета Рочестера,
- Исследователи из Университета Райса и Калифорнийского университета в Лос-Анджелесе,
- Аспиранты и инженеры, работающие над моделированием, проектированием схем и тестированием прототипов.
Первый этап — классификация статических изображений — позволит проверить эффективность аналоговой системы и сопоставить её с производительностью современных цифровых ИИ.
Хотя начальный прототип будет работать с неподвижными изображениями, конечная цель — реализация в сложных динамических системах, таких как:
- Автономные дроны, которым нужно быстро и точно обрабатывать видео в реальном времени,
- Беспилотные автомобили, требующие низколатентной обработки данных от множества сенсоров,
- Роботы-исследователи, работающие в условиях ограниченного доступа к энергии.
Аналоговые системы с предиктивным кодированием могут позволить дронам долго оставаться в воздухе, принимая сложные решения локально, без передачи данных в облако.
Этот проект — не просто попытка создать более быстрый чип. Это смена парадигмы.
Вместо того чтобы гнаться за увеличением вычислительной мощности, исследователи спрашивают:
«Как мозг решает те же задачи с минимальными ресурсами?»
Ответ — в эффективной архитектуре, а не в количестве транзисторов.
Проект DARPA и Университета Рочестера — один из самых амбициозных шагов в направлении биологически вдохновлённых вычислений. Если он увенчается успехом, мы можем увидеть появление нового класса устройств:
- Умных дронов, способных летать часами на одной батарее,
- Микророботов с ИИ, работающих внутри организма,
- Автономных сенсоров, которые годами работают без подзарядки.
Если вам понравился материал, кликните значок - вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал - не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
