Az agy működésének utánzása forradalmasíthatja a mesterséges intelligenciát

A Surrey Egyetem kutatói egy új megközelítést dolgoztak ki, amely az emberi agy hálózatait utánozva képes jelentősen javítani a mesterséges intelligencia (MI) teljesítményét.

A Neurocomputing tudományos folyóiratban megjelent tanulmány szerint az agy ideghálózati kapcsolódásainak mintázata inspirálta az új módszert, amely különösen hatékony a generatív MI-modellek – például a ChatGPT – fejlesztésében.

Topográfiai Ritka Leképezés: az agy logikáján alapuló rendszer

A kutatók által kidolgozott Topographical Sparse Mapping (TSM) technológia azt utánozza, ahogyan az emberi agy csak a közelben lévő vagy logikailag kapcsolódó neuronokat köti össze. Ez a megközelítés nemcsak gyorsítja az adatfeldolgozást, hanem csökkenti a felesleges számításokat is.

Dr. Roman Bauer, a Surrey Egyetem vezető oktatója elmondta:

„Kutatásunk bizonyítja, hogy az intelligens rendszerek sokkal hatékonyabban építhetők fel – kevesebb energiával, de azonos teljesítménnyel.”

A modell azáltal növeli a hatékonyságot, hogy megszünteti a szükségtelen kapcsolatok ezreit, így az MI rendszerek fenntarthatóbbak és energiatakarékosabbak lesznek, miközben nem veszítenek pontosságukból.

Fenntarthatóbb mesterséges intelligencia

Dr. Bauer kiemelte, hogy egyes mai népszerű nagy nyelvi modellek (LLM-ek) betanítása több mint egymillió kilowattóra áramot igényelhet.

„Ez hosszú távon nem fenntartható, ha az MI fejlődése ilyen ütemben folytatódik” – tette hozzá.

A kutatócsoport továbbfejlesztett verziót is készített, az úgynevezett Enhanced Topographical Sparse Mapping (ETSM) modellt, amely egy biológiailag inspirált „metszési” folyamatot alkalmaz a tanulás során. Ez a folyamat hasonló ahhoz, ahogyan az emberi agy fokozatosan finomítja idegi kapcsolatait a tanulás folyamán.

Út a neuromorf számítógépek felé

A Surrey Egyetem csapata jelenleg azt is vizsgálja, hogyan használható ez a technológia neuromorf számítógépek fejlesztésében – olyan rendszerekben, amelyek az emberi agy szerkezetét és működését utánozzák a még hatékonyabb és élethűbb számítási modellek érdekében.

Ez az áttörés új korszakot nyithat a fenntartható mesterséges intelligencia és a biológiailag inspirált gépi tanulás területén, amely a jövő AI-rendszereit nemcsak okosabbá, hanem környezetbarátabbá is teheti.