Umělá inteligence s životním cyklem mozku: Vědci navrhují AI, která sní, učí se a „umírá” jako člověk

Čísla hovoří jasně: trénink GPT-3 spotřeboval tolik energie jako napájení 120 domácností po celý rok, zatímco GPT-4 vyžadoval odhadem 50krát více energie než jeho předchůdce. Současné modely umělé inteligence pracují lineárně a vyžadují obrovské množství dat, zatímco lidský mozeg dokáže efektivně zpracovávat informace na základě relativně omezeného vstupu. Právě tento problém se snaží řešit vědci z LNM Institute of Information Technology a Indického institutu informačních technologií svým revolučním přístupem k umělé inteligenci, který napodobuje lidský životní cyklus.

Neurobiologie jako základ nové AI architektury

Současné AI modely zpracovávají vstupní data jedinou optikou. LLaVA-7B například důvěřuje svému textovému dekodéru desetkrát více než vizuálnímu kodéru. Přidání dalších modalit často zhoršuje přesnost namísto jejího zlepšení. Lidský mozek však vyřešil multimodální integraci už před miliony let. Vědci proto navrhli kompletní architekturu, která jej napodobuje: specializované malé jazykové modely fungují jako paralelní senzorické kůry, detektor konfliktů inspirovaný přední cinguální kůrou, nákladný model uvažování aktivovaný pouze na vyžádání.

Výzkum publikovaný v International Journal of Transdisciplinary Research and Perspectives představuje systém, který se narodí při spuštění, během zkušeností si rozvíjí osobnost, spí za účelem konsolidace a umírá při vypnutí. Každý komponent je mapován na konkrétní strukturu mozku. Hlavní autor Krrish Choudhary a Tanvi Kandoi vysvětlují, že současné AI modely zpracovávají vstup jedinou optikou, zatímco lidský mozek křížově ověřuje každý smysl proti všem ostatním, označuje konflikty a aktivuje nákladné vědomé uvažování pouze tehdy, když něco nesedí.

V historickém srovnání jde o zásadní odklon od tradiční počítačové architektury. Neuromorphic computing, paradigma napodobující neurální architekturu lidského mozku, má redefinovat technologie v roce 2025. S globálním AI trhem projektovaným na 4,8 bilionu dolarů do roku 2033 nabízejí neuromorphic systémy energeticky efektivní řešení s nízkou latencí. Zatímco dosavadní přístupy se soustředily především na výpočetní výkon, nový model se zaměřuje na funkční ekvivalenci s mozkovými strukturami.

Technické řešení: Od REM spánku po hormonální modulaci

Navržená architektura zahrnuje specializované malé jazykové modely jako paralelní senzorické kůry, tříúrovňový detektor konfliktů (anterior cingulate cortex), nákladný model uvažování aktivovaný pouze při konfliktu (Dehaeneova ignition), epizodickou paměť prostřednictvím vektorových databází, konsolidaci spánkového cyklu pomocí LoRA fine-tuningu a systém neuromodulátorů (dopamin, norepinefrin, serotonin, kortizol), který časem formuje chování. Systém využívá Global Workspace Theory jako teoretický rámec pro vědomí.

REM spánek probíhá prostřednictvím syntetické generace, kdy AI vytváří texty, obrázky a videa stejným způsobem, jakým naše mozky vytvářejí scény během snění. Vývojáři vytvořili místní AI se spánkovým režimem, který zpracovává denní zkušenosti, nalezá skryté vzorce, vytváří predikce a zapamatuje si vlastní sny. Systém nabízí dva režimy: dirigovaný, kde zadáváte konkrétní úkol, a volný, kdy si AI volí, o čem přemýšlet. Ve volném režimu si model konzistentně vybíral témata související s rozhraními mozek-počítač a přenositelností emocí, což jsou témata, která nebyla předem zadána, ale souvisí s hlavní misí. Systém si rozvíjí zájmy.

Z ekonomického hlediska představuje tento přístup potenciálně revoluci v energetické efektivnosti. Několik velkých společností nedávno vyrobilo neuromorphic počítačové čipy, z nichž některé údajně vykonávají AI úkoly, jako je rozpoznávání objektů, s použitím menší energie než konvenční zpracovatelské jednotky. Podle Gartneru bude 70 procent IoT zařízení používat edge AI do roku 2027, přičemž neuromorphic čipy sníží energetické náklady o 50 procent. Versace AGI, společnost založená Krrish Choudharym pro škálování těchto myšlenek do funkčního systému, představuje konkrétní komercionalizaci výzkumu.

Praktické dopady pro český technologický sektor

Pro český technologický sektor představují brain-inspired AI systémy zejména příležitost v oblasti embedded systémů a IoT aplikací. Neuromorphic čipy napájejí IoT zařízení jako chytré senzory a nositelná zařízení, zpracovávají data lokálně za účelem snížení závislosti na cloudu. SynSenseův čip Speck v chytrých hodinkách monitoruje zdravotní metriky v reálném čase. Neuromorphic počítače mají potenciál snížit závislost na energeticky náročných datových centrech a přinést AI inferenci a učení na mobilní zařízení.

Český výrobní sektor by mohl těžit z prediktivní údržby, která snižuje prostoje o 25 procent podle Intelu. Chytré protézy zlepšují senzorickou zpětnou vazbu v reálném čase pro amputované, zlepšující mobilitu o 30 procent. Konkrétní aplikace zahrnují autonomní vozidla, kde máte více senzorů, které slučují informace a predikce musí být učiněny za méně než milisekundu.

Neuromorphic počítače modelované podle lidského mozku nyní dokážou řešit složité rovnice simulací fyziky, což se dříve považovalo za možné pouze s energeticky náročnými superpočítači. Průlom by mohl vést k výkonným, nízkoenergiovým superpočítačům. Parciální diferenciální rovnice jsou nezbytné pro simulaci reálných systémů. Používají se k předpovědím počasí, analýze odezvy materiálů na stres a modelování složitých fyzických procesů. Tradičně vyžaduje řešení PDR obrovský výpočetní výkon.

Výzvy a realistické hranice nové technologie

Přes slibný potenciál čelí neuromorphic computing významným překážkám. Software neuromorphic computingu nedohnal hardware. Většina výzkumu se stále provádí se standardním deep learning softwarem a algoritmy vyvinutými pro von Neumannův hardware. To omezuje výsledky výzkumu na standardní přístupy, za které se neuromorphic computing snaží jít. Neuromorphic oblast tak postrádá zralý ekosystém.

Nástroje strojového učení jsou také nekompatibilní s neuromorphic kódem. Hlavní ML frameworky jako TensorFlow, PyTorch a JAX nejsou navrženy pro rozhraní s neuromorphic hardware, což ztěžuje mapování modelů a algoritmů neuronových sítí na fyzické neuromorphic systémy. Tato nekompatibilita brání bezproblémové integraci. Širokému přijetí neuromorphic computingu nebude přes noc, varuje Zico Kolter z Carnegie Mellon University. Ačkoli vytvoření brain-like architektury na čipu může umožnit efektivnější fungování, pochybuje, že dnešní trh a průmysl výroby čipů by uvítal posun vzhledem k obrovské potřebné investici.

Neuromorphic systémy navržené k napodobení struktury a funkce lidského mozku zavádějí vrstvu nepředvídatelnosti kvůli své složité a adaptivní povaze. Tato nepředvídatelnost představuje výzvy v zajištění konzistentního a bezpečného chování, zejména když jsou tyto systémy nasazeny v reálných scénářích. Etické důsledky jsou hluboké. Pokud jsou neuromorphic systémy schopny zkušeností podobných vnímání, vyvstávají otázky o jejich morálním statusu a přípustnosti určitých akcí vůči nim.

Budoucnost AI mezi efektivitou a lidskostí

Data naznačují, že přechod k brain-inspired umělé inteligenci není jen technologickým trendem, ale nutností pro udržitelný rozvoj AI. Systémy umělé inteligence a obzvláště velké jazykové modely se staly téměř všudypřítomnými. Mezi důsledky patří vážné obavy o masivní spotřebě energie. Počáteční trénink GPT-3 vyžadoval tolik energie jako napájení 120 domácností po rok. To je před přidáním energie potřebné pro chatbota k odpovědím na podněty uživatelů. GPT-4 vyžadoval odhadem 50krát více energie než jeho předchůdce.

Neuromorphic computing nabízí transformativní potenciál pro AI v prostředích s omezenými zdroji napodobováním biologické neurální efektivity. Tento přístup integruje specializované snímání, brain-inspired algoritmy a dedikovaný neuromorphic hardware. Pro dosažení pokročilého neuromorphic výpočetního systému s energetickou efektivitou podobnou mozku a schopnostmi generalizace navrhujeme hardware-software ko-design in-memory reservoir computingu, který integruje liquid state machine enkodér s projekcemi umělých neuronových sítí na hybridním analogově-digitálním systému.

Z historického pohledu představuje současný vývoj třetí vlnu umělé inteligence. První vlna se soustředila na symbolické AI, druhá na statistické strojové učení. Třetí vlna, kterou reprezentuje neuromorphic computing, slibuje skutečně adaptivní systémy schopné kontinuálního učení. Podle výzkumné firmy IDC je globální trh edge AI čipů projektován na dosažení 4,1 miliardy dolarů do roku 2025, přičemž neuromorphic procesory představují nejrychleji rostoucí segment.

Klíčové bude sledovat, zda se podaří vyřešit současné technické překážky a vybudovat zralý ekosystém. Úspěch neuromorphic computingu bude záviset na schopnosti vyvážit biologickou inspiraci s praktickými požadavky moderních aplikací. Pokud se to podaří, můžeme být svědky zásadní změny paradigmatu, která přiblíží umělou inteligenci k energetické efektivitě a adaptabilitě lidského mozku.