В лабораторной имитации полета через цифровой лес, осаждаемый переменчивыми ветрами, беспилотник управляет собой с удивительным мастерством: он огибает препятствия, меняет курс в режиме реального времени и достигает цели с человеческой ловкостью. Система, управляющая дроном, не питается от массивного сервера и не обучается на петабайтах данных. Вместо этого им управляет крошечный, экономящий энергию чип, похожий на мозг, — новый тип искусственного интеллекта, который учится в процессе своей работы, подобно человеческому разуму. Разработанная совместно инженерами из UCLA, Техасского университета A&M и других научных учреждений, эта технология представляет собой революционную «Сверхтьюринговскую» модель ИИ, которая преодолевает ограничения традиционных вычислений, копируя способность мозга адаптироваться на лету. В его основе лежит цепь «синаптических резисторов» — или «синсторов» — из ферроэлектрического оксида гафния-циркония (HfZrO), которая позволяет системе изменять свои собственные связи в режиме реального времени.
Исследование, опубликованное в Science Advances, показывает, что архитектура «Сверхтьюринга» превосходит традиционные искусственные нейронные сети (ИНС) по адаптивности и энергоэффективности, потребляя всего 158 нановатт — что в 10 миллионов раз меньше, чем типичные системы ИИ. «Традиционные модели ИИ в значительной степени полагаются на обратное распространение — метод, используемый для настройки нейронных сетей в процессе обучения», — заявил в пресс-релизе соавтор исследования, доцент кафедры электротехники и компьютерной инженерии Texas A&M доктор Суин Йи. «Хотя этот метод эффективен, он биологически нереалистичен и требует огромных вычислительных ресурсов». «В нашей работе мы устранили этот недостаток, заимствовав из нейробиологии механизмы Хеббовского обучения и синаптической пластичности, которые позволяют нейронам укреплять связи так же, как это происходит в реальном мозге». От Тьюринга к Сверхтьюрингу Большинство современных систем искусственного интеллекта, включая самодвижущиеся автомобили и большие языковые модели, работают на основе модели вычислений Тьюринга. Они выполняют фиксированные алгоритмы, обученные заранее — иногда в течение нескольких недель, — и после развертывания не могут изменить курс, пока не будут обучены заново. Это затрудняет работу систем ИИ в незнакомой обстановке и очень требовательно к мощности. По сути, нынешний ИИ похож на студента, который выучил все перед экзаменом, а во время него ему запрещено узнавать что-то новое. В отличие от этого, человеческий мозг постоянно учится и адаптируется в режиме реального времени. «Эти центры обработки данных потребляют энергию в гигаваттах, в то время как наш мозг потребляет 20 ватт», — объясняет доктор Йи. Центры обработки данных, потребляющие такое количество энергии, не могут быть устойчивыми при нынешних методах вычислений. Поэтому, хотя способности искусственного интеллекта поразительны, для его поддержания все еще необходимы аппаратные средства и генерация энергии». Именно здесь на помощь приходит сверхтьюринговые вычисления. Вдохновившись тем, как синапсы мозга адаптируются в процессе обучения, исследователи разработали «синсторную схему», использующую форму зависимой от времени спайков пластичности (STDP) — биологически правдоподобное правило обучения — для обновления внутренних параметров во время обработки входных данных. В отличие от мемристоров или фазовой памяти, которым требуются отдельные этапы для обучения и вывода, синсторы способны выполнять оба процесса одновременно. На аппаратном уровне система опирается на чудо-материал: гетеропереход, состоящий из слоя WO₂.₈, тонкой пленки ферроэлектрика Hf₀.₅Zr₀.₅O₂ и кремниевой подложки. Этот стек позволяет тонко настраивать значения проводимости — сродни регулировке силы синапса — с исключительной точностью, повторяемостью и долговечностью. Было достигнуто более 1,6 × 10¹¹ циклов переключения без деградации, и проводимость могла быть настроена на 1000 аналоговых уровней с точностью обучения до 36 пикосименсов. Обновления происходили с помощью импульсов напряжения ±3 В и в течение 10 наносекунд, что делает систему энергоэффективной и удивительно быстрой. Эта возможность позволяет синсторной схеме работать в так называемом «сверхтьюринговом режиме», — постоянно обновляя свои внутренние веса в ответ на обратную связь с окружающей средой при выполнении умозаключений. Если окружающая среда меняется — например, неожиданно возникает турбулентность или появляется новое препятствие, — схема адаптируется на лету, не требуя паузы или внешнего обучения. Превосходство над искусственным интеллектом и людьми Для испытания этой новой сверхтьюринговой технологии исследователи сравнили управляемый синстором дрон с двумя конкурентами в смоделированном горном ландшафте: один контролировался традиционной искусственной нейронной сетью (ИНС) на компьютере, а другой — людьми, незнакомыми с системой дрона. Результаты оказались поразительными. Схема синстора направила дрон к месту назначения быстрее, чем люди: среднее время обучения составило всего 4,4 секунды по сравнению с 6,6 секунды у людей. Между тем, ИНС потребовалось более 35 часов для достижения аналогичного уровня — и даже тогда она неизменно терпела неудачу при изменении условий. В лесистой местности с сильным ветром синстор и люди успешно избегали столкновений, тогда как ИНС разбивалась каждый раз. Однако наибольший выигрыш был достигнут в энергоэффективности. Вся система синстор супертьюринг потребляла всего 158 нановатт, по сравнению с 6,3 ваттами, которые потреблял обычный ИИ, работающий на настольном компьютере высокого класса, — разница более чем в 40 миллионов раз. На пути к сверхтьюринговым машинам, подобным мозгу Последствия этой работы могут распространиться на все отрасли. От автономных беспилотников и роботизированных протезов до умных носимых устройств и освоения космоса — системы, которые должны в реальном времени реагировать на непредсказуемую обстановку, не разряжая батарею, получат огромную пользу от супертьюринговского ИИ. Более того, архитектура synstor позволяет легко масштабировать систему. Хотя текущий прототип использует относительно небольшую матрицу 8×8, команда уверена, что технологию можно расширить до схем с миллионами синсторов, используя существующие методы нанопроизводства. Прорыв может стать основой для нового класса мозгоподобных компьютеров, в которых системы не просто выполняют заранее заученные задачи, а продолжают учиться, адаптироваться и совершенствоваться, причем в режиме реального времени и с минимальными затратами энергии. Не только быстрее, но и умнее Пока дебаты о способности ИИ сравниться с человеческим интеллектом продолжаются, это исследование меняет правила игры. Вместо того чтобы добиваться интеллекта за счет масштабирования моделей и данных (как это делает современный генеративный ИИ), новый сверхтьюринговый подход стремится достичь максимального результата с меньшими затратами. Тот факт, что схема без предварительного обучения может превзойти предварительно обученную нейронную сеть в реальных условиях, говорит о том, что истинный интеллект заключается не в хранении большего количества данных, а в адаптации, когда данные заканчиваются. «Современный искусственный интеллект, такой как ChatGPT, потрясающий, но слишком дорогой», — говорит доктор Йи. «Сверхтьюринговый ИИ может изменить подход к созданию и использованию ИИ, гарантируя, что его развитие будет выгодно как людям, так и планете». Читайте все последние новости искусственного интеллекта на New-Science.ru
Источник: New-Science.ru
https://new-science.ru/alibaba-predstavila-multimodalnuju-ai-model-qwen2-5-omni-7b-dlya-raboty-na-smartfonah-i-noutbukah/