هوش مصنوعی شیوه زندگی ما را دگرگون کرده است و ابزارها و خدماتی را که روزانه به آنها تکیه می کنیم، نیرو می دهد. از چت ربات ها گرفته تا دستگاه های هوشمند، بیشتر این پیشرفت ها از هوش مصنوعی دیجیتالی حاصل می شود. این فوق العاده قدرتمند است و حجم وسیعی از داده ها را برای ارائه نتایج چشمگیر پردازش می کند. اما این قدرت با هزینه قابل توجهی همراه است: مصرف انرژی. هوش مصنوعی دیجیتال به قدرت محاسباتی عظیمی نیاز دارد که انرژی قابل توجهی مصرف می کند و گرما تولید می کند. با رشد سیستم های هوش مصنوعی، نادیده گرفتن این بار انرژی سخت تر می شود.
هوش مصنوعی آنالوگ ممکن است پاسخگو باشد. با کار با سیگنال‌های پیوسته، مسیری کارآمدتر و پایدارتر را نوید می‌دهد. بیایید بررسی کنیم که چگونه می تواند این چالش رو به رشد را حل کند.
مشکل انرژی در هوش مصنوعی دیجیتال
هر بار که با یک ربات چت تعامل می‌کنید یا یک لیست پخش مبتنی بر توصیه را پخش می‌کنید، در جایی، رایانه‌ای در حال پردازش داده‌ها است. برای سیستم‌های هوش مصنوعی دیجیتال، این به معنای پردازش میلیاردها یا حتی تریلیون‌ها عدد است. این سیستم ها از کدهای باینری (1 و 0) برای نمایش و دستکاری داده ها استفاده می کنند. این یک روش آزمایش شده و واقعی است، اما فوق العاده انرژی بر است.
مدل های هوش مصنوعی، به ویژه مدل های پیچیده، تقاضا مقادیر عظیمی از قدرت محاسباتی برای مثال، مدل‌های یادگیری عمیق شامل انجام محاسبات بر روی مجموعه داده‌های عظیم در طول روزها، گاهی اوقات هفته‌ها است. یک جلسه تمرین می تواند به اندازه یک برق مصرف کند کل شهر در یک روز و این فقط آموزش است. هنگامی که این مدل‌ها به کار گرفته می‌شوند، همچنان برای انجام کارهایی مانند تشخیص گفتار، توصیه فیلم یا کنترل ربات‌ها به قدرت نیاز دارند.
انرژی مصرف شده فقط از بین نمی رود. تبدیل به گرما می شود. به همین دلیل است که سیستم های خنک کننده غول پیکر را در مراکز داده پیدا خواهید کرد. این سیستم ها سخت افزار را از داغ شدن بیش از حد محافظت می کنند اما لایه دیگری از مصرف انرژی را اضافه می کنند. چرخه ای است که در حال تبدیل شدن است ناپایدار.
سیستم‌های هوش مصنوعی نیز باید سریع عمل کنند زیرا آموزش آنها به آزمایش‌ها و آزمایش‌های زیادی نیاز دارد. هر مرحله تنظیمات، طرح‌ها یا داده‌های مختلف را آزمایش می‌کند تا بهترین عملکرد را پیدا کند. اگر سیستم کند باشد، این فرآیند می تواند زمان زیادی را ببرد. پردازش سریعتر این مراحل را سرعت می‌بخشد و به محققان کمک می‌کند مدل‌ها را تنظیم کنند، مشکلات را برطرف کنند و آنها را برای استفاده در دنیای واقعی سریعتر آماده کنند.
اما سیستم های دیجیتال به طور طبیعی ساخته نمی شوند برای این نوع سرعت چالش در نحوه مدیریت داده ها نهفته است. اطلاعات باید دائماً بین حافظه (محل ذخیره آن) و پردازنده (جایی که تجزیه و تحلیل می شود) به عقب و جلو حرکت کند. این رفت و آمد باعث ایجاد تنگناها می شود، سرعت کار را کاهش می دهد و حتی انرژی بیشتری مصرف می کند.
چالش دیگر این است که سیستم های دیجیتال به طور طبیعی برای انجام وظایف یک به یک ساخته شده اند. این پردازش متوالی سرعت کار را کند می کند، به خصوص با حجم عظیمی از داده هایی که مدل های هوش مصنوعی باید با آن کار کنند. پردازنده هایی مانند GPU و TPU با فعال کردن پردازش موازی، که در آن بسیاری از وظایف به طور همزمان اجرا می شوند، کمک کرده اند. اما حتی این تراشه های پیشرفته هم محدودیت هایی دارند.
موضوع به چگونگی بهبود فناوری دیجیتال برمی گردد. این متکی به فشرده کردن ترانزیستورهای بیشتر در تراشه های کوچکتر و کوچکتر است. اما همانطور که مدل‌های هوش مصنوعی رشد می‌کنند، فضای کافی برای انجام این کار کم می‌شود. تراشه ها در حال حاضر آنقدر ریز هستند که کوچکتر کردن آنها بیشتر می شود گران و سخت تر به دست آوردن. و تراشه های کوچکتر مجموعه ای از مشکلات خود را به همراه دارند. آنها گرمای بیشتری تولید می کنند و انرژی هدر می دهند و تعادل سرعت، قدرت و کارایی را دشوار می کند. سیستم‌های دیجیتال شروع به برخورد به دیوار کرده‌اند و تقاضاهای فزاینده هوش مصنوعی ادامه دادن به آن را سخت‌تر می‌کند.
چرا هوش مصنوعی آنالوگ می تواند راه حل باشد؟
هوش مصنوعی آنالوگ راه جدیدی برای مقابله با مشکلات انرژی هوش مصنوعی دیجیتال به ارمغان می آورد. به جای تکیه بر 0 ها و 1 ها، از سیگنال های پیوسته استفاده می کند. این به نحوه عملکرد فرآیندهای طبیعی نزدیکتر است، جایی که اطلاعات به آرامی جریان می یابد. با پرش از مرحله تبدیل همه چیز به باینری، هوش مصنوعی آنالوگ انرژی بسیار کمتری مصرف می کند.
یکی از بزرگترین نقاط قوت آن ترکیب حافظه و پردازش در یک مکان است. سیستم‌های دیجیتال دائماً داده‌ها را بین حافظه و پردازنده‌ها جابه‌جا می‌کنند که انرژی را می‌خورد و گرما تولید می‌کند. هوش مصنوعی آنالوگ محاسبات را دقیقاً در جایی که داده ها ذخیره می شود انجام می دهد. این باعث صرفه جویی در انرژی و جلوگیری از مشکلات گرمایی سیستم های دیجیتال می شود.
سریعتر هم هست. بدون تمام حرکت رفت و برگشت داده ها، کارها سریعتر انجام می شوند. این باعث می‌شود هوش مصنوعی آنالوگ برای مواردی مانند اتومبیل‌های خودران که سرعت در آنها بسیار مهم است، مناسب باشد. همچنین در انجام چندین کار به طور همزمان عالی است. سیستم های دیجیتال یا وظایف را یکی یکی انجام می دهند یا برای اجرای موازی به منابع اضافی نیاز دارند. سیستم های آنالوگ برای انجام چند وظیفه ای ساخته شده اند. تراشه های نورومورفیکبا الهام از مغز، اطلاعات را در هزاران گره به طور همزمان پردازش می کند. این باعث می شود آنها برای کارهایی مانند تشخیص تصاویر یا گفتار بسیار کارآمد باشند.
هوش مصنوعی آنالوگ برای بهبود به کوچک شدن ترانزیستورها وابسته نیست. در عوض، از مواد و طرح‌های جدید برای انجام محاسبات به روش‌های منحصربه‌فرد استفاده می‌کند. حتی برخی از سیستم ها به جای برق از نور برای پردازش داده ها استفاده می کنند. این انعطاف‌پذیری از محدودیت‌های فیزیکی و فنی که فناوری دیجیتال با آن روبه‌رو است، جلوگیری می‌کند.
با حل مشکلات انرژی و کارایی هوش مصنوعی دیجیتال، هوش مصنوعی آنالوگ راهی برای ادامه پیشرفت بدون تخلیه منابع ارائه می دهد.
چالش های هوش مصنوعی آنالوگ
در حالی که هوش مصنوعی آنالوگ نوید زیادی دارد، اما بدون چالش نیست. یکی از بزرگترین موانع قابلیت اطمینان است. برخلاف سیستم های دیجیتال که به راحتی می توانند صحت عملکرد خود را بررسی کنند، سیستم های آنالوگ بیشتر در معرض نویز و خطا هستند. تغییرات کوچک در ولتاژ می تواند منجر به عدم دقت شود و اصلاح این مسائل دشوارتر است.
ساخت مدارهای آنالوگ نیز پیچیده تر است. از آنجایی که آنها با حالت‌های روشن و خاموش ساده کار نمی‌کنند، طراحی و تولید تراشه‌های آنالوگ که عملکرد ثابتی دارند دشوارتر است. اما پیشرفت در علم مواد و طراحی مدار شروع به غلبه بر این مسائل کرده است. به عنوان مثال، ممریستورها قابل اعتمادتر و پایدارتر می شوند و آنها را به گزینه ای مناسب برای هوش مصنوعی آنالوگ تبدیل می کند.
خط پایین
هوش مصنوعی آنالوگ می تواند روشی هوشمندانه برای کارآمدتر کردن محاسبات در مصرف انرژی باشد. پردازش و حافظه را در یک مکان ترکیب می کند، سریعتر کار می کند و چندین کار را همزمان انجام می دهد. برخلاف سیستم‌های دیجیتال، بر روی تراشه‌های کوچک شونده تکیه نمی‌کند، که انجام آن سخت‌تر می‌شود. در عوض، از طرح‌های نوآورانه‌ای استفاده می‌کند که از بسیاری از مشکلات انرژی که امروزه می‌بینیم جلوگیری می‌کند.
هنوز چالش هایی مانند دقیق نگه داشتن سیستم های آنالوگ و قابل اعتماد کردن فناوری وجود دارد. اما با پیشرفت‌های مداوم، هوش مصنوعی آنالوگ پتانسیل تکمیل یا حتی جایگزینی سیستم‌های دیجیتال را در برخی زمینه‌ها دارد. این یک گام هیجان‌انگیز برای قدرتمند کردن و پایدار کردن هوش مصنوعی است.
