مفتاح جعل الذكاء الاصطناعي أخضر هو الحوسبة الكمومية

58

لقد وضعنا أنفسنا في زاوية أخرى بالذكاء الاصطناعي. لقد بدأنا أخيرًا في اختراق حاجز الفائدة ، لكننا نواجه حدود قدرتنا على تلبية متطلبات الطاقة الهائلة لآلاتنا بشكل مسؤول.

وفقًا لمعدل النمو الحالي ، يبدو أنه سيتعين علينا تحويل الأرض إلى ذو قشرة إذا أردنا الاستمرار في إنفاق كميات لا يمكن فهمها من أنظمة التدريب على الطاقة مثل GPT-3.

المشكلة: ببساطة ، يستغرق الذكاء الاصطناعي الكثير من الوقت والطاقة للتدريب. قد يتخيل الشخص العادي مجموعة من التعليمات البرمجية على شاشة الكمبيوتر المحمول عندما يفكر في تطوير الذكاء الاصطناعي ، ولكن الحقيقة هي أن العديد من الأنظمة التي نستخدمها اليوم تم تدريبها على شبكات GPU الضخمة أو أجهزة الكمبيوتر العملاقة أو كليهما. نحن نتحدث عن كميات لا تصدق من القوة. والأسوأ من ذلك ، أن تدريب الذكاء الاصطناعي يستغرق وقتًا طويلاً.

السبب في أن الذكاء الاصطناعي جيد جدًا في الأشياء التي يجيدها ، مثل التعرف على الصور أو معالجة اللغة الطبيعية ، هو أنه في الأساس يقوم بنفس الشيء مرارًا وتكرارًا ، مع إجراء تغييرات صغيرة في كل مرة ، حتى يتم تصحيح الأمور. لكننا لا نتحدث عن إجراء بعض عمليات المحاكاة. قد يستغرق تدريب نظام ذكاء اصطناعي قوي مئات أو حتى آلاف الساعات.

يقدر أحد الخبراء أن GPT-3 ، وهو نظام معالجة اللغة الطبيعية الذي أنشأته OpenAI ، سيكلف حوالي 4.6 مليون دولار للتدريب. لكن هذا يفترض التدريب دفعة واحدة. وعدد قليل جدًا من أنظمة الذكاء الاصطناعي القوية يتم تدريبها بضربة واحدة. من الناحية الواقعية ، من المحتمل أن يكون إجمالي النفقات المتضمنة في جعل GPT-3 يبصق هراءًا متماسكًا مثيرًا للإعجاب بمئات الملايين.

GPT-3 هي من بين المسيئين المتميزين ، ولكن هناك عددًا لا يحصى من أنظمة الذكاء الاصطناعي التي تمتص كميات هائلة من الطاقة عند مقارنتها بنماذج الحساب القياسية.

المشكلة؟ إذا كان الذكاء الاصطناعي هو المستقبل ، في ظل النموذج الحالي لامتصاص الطاقة ، فلن يكون المستقبل أخضر. وهذا قد يعني ببساطة أنه لن يكون لدينا مستقبل.

الحل: الاحصاء الكمية.

نُشر مؤخرًا فريق دولي من الباحثين ، بما في ذلك علماء من جامعة فيينا ومعهد ماساتشوستس للتكنولوجيا والنمسا ونيويورك ابحاث إظهار “تسريع الكم” في نظام ذكاء اصطناعي هجين.

بمعنى آخر: تمكنوا من استغلال ميكانيكا الكم للسماح للذكاء الاصطناعي بالعثور على أكثر من حل في نفس الوقت. هذا ، بالطبع ، يسرع عملية التدريب.

حسب ورقة الفريق:

السؤال الحاسم للتطبيقات العملية هو مدى سرعة تعلم الوكلاء. على الرغم من أن العديد من الدراسات قد استخدمت ميكانيكا الكم لتسريع عملية اتخاذ القرار لدى الوكيل ، إلا أنه لم يتم إثبات تقليل وقت التعلم حتى الآن.

نقدم هنا تجربة التعلم المعزز التي يتم فيها تسريع عملية التعلم للعامل باستخدام قناة اتصال كمومية مع البيئة. نظهر كذلك أن الجمع بين هذا السيناريو والاتصال الكلاسيكي يمكّن من تقييم هذا التحسين ويسمح بالتحكم الأمثل في تقدم التعلم.

كيف؟

هذا هو الجزء الرائع. أجروا 10000 نموذج من خلال 165 تجربة لتحديد كيفية عملهم باستخدام الذكاء الاصطناعي الكلاسيكي وكيف تعمل عند زيادتها برقائق كمومية خاصة.

وبشكل خاص ، هذا يعني أنك تعرف كيف تعمل وحدات المعالجة المركزية الكلاسيكية من خلال التلاعب بالكهرباء؟ كانت الرقائق الكمومية التي استخدمها الفريق عبارة عن رقائق نانوية ، مما يعني أنها تستخدم الضوء بدلاً من الكهرباء.

جوهر العملية هو أنه في الظروف التي يتعثر فيها الذكاء الاصطناعي الكلاسيكي في حل المشكلات الصعبة للغاية (فكر في: مشاكل الحواسيب العملاقة) ، وجدوا أن النظام الكمي الهجين تفوق في الأداء على النماذج القياسية.

ومن المثير للاهتمام ، أنه عند مواجهة تحديات أقل صعوبة ، لم يلاحظ الباحثون أي زيادة في الأداء. يبدو أنك بحاجة إلى نقله إلى الترس الخامس قبل تشغيل الشاحن التوربيني الكمي.

لا يزال هناك الكثير الذي يتعين القيام به قبل أن نتمكن من نشر لافتة قديمة “تم إنجاز المهمة”. لم يكن عمل الفريق هو الحل الذي نهدف إليه في نهاية المطاف ، ولكنه أكثر من نموذج صغير الحجم لكيفية عمله بمجرد اكتشاف كيفية تطبيق تقنياتهم على مشاكل حقيقية أكبر.

يمكنك قراءة الورقة كاملة هنا في الطبيعة.

ح / ر: مروحة شيلي ، مركز التفرد

تم النشر في ١٧ مارس ٢٠٢١ – ١٩:٤١ بالتوقيت العالمي المنسق