به گزارش سرویس فناوری افق سرمایه؛ محققان به‌تازگی روشی نوآورانه برای آموزش هوش مصنوعی یافته‌اند که نه تنها سرعت یادگیری را تا ۱۰۰ برابر افزایش می‌دهد، بلکه مصرف انرژی را نیز به‌طور چشمگیری کاهش می‌دهد، بدون اینکه از دقت سیستم کاسته شود.
به نظر محققان، این پیشرفت می‌تواند آینده‌ای درخشان برای فناوری‌های هوش مصنوعی به ارمغان آورد.
چالش مصرف انرژی در هوش مصنوعی
شبکه‌های عصبی که وظایفی مانند تشخیص تصویر و پردازش زبان را انجام می‌دهند، اصولا از ساختار مغز انسان الگوبرداری شده‌اند. این شبکه‌ها از گره‌های به هم پیوسته(نورون‌های مصنوعی) تشکیل شده‌اند که اطلاعات را پردازش می‌کنند.
آموزش این شبکه‌ها فرآیندی بسیار پرهزینه از نظر محاسباتی است، زیرا مقادیر پارامترها ابتدا به‌طور تصادفی تنظیم شده و سپس در تکرارهای متعدد به‌دقت تنظیم می‌شوند تا دقت پیش‌بینی بهبود یابد. این فرآیند به‌طور معمول مقادیر زیادی انرژی مصرف می‌کند.
محققان اکنون با تغییر رویکرد از روش‌های سنتی آموزش تکراری به روش‌های مبتنی بر احتمال، موفق به توسعه روشی شده‌اند که شبکه‌های عصبی را با محاسبات بسیار کمتری بهینه‌سازی می‌کند. این نوآوری که از سیستم‌های موجود در طبیعت الهام گرفته شده است، می‌تواند هوش مصنوعی را به‌طور قابل توجهی با محیط زیست سازگار کند، بدون اینکه بر عملکرد آن تاثیر منفی بگذارد.
بنابراین یکی از ویژگی‌های فناوری هوش مصنوعی این است که به شدت انرژی مصرف می‌کند. در حال حاضر، مراکز داده که مسئول پشتیبانی از فناوری‌های پیشرفته‌ای مانند مدل‌های زبان بزرگ (LLM) هستند، به‌طور فزاینده‌ای تحت فشار قرار دارند تا بتوانند به تقاضای روزافزون تامین انرژی پاسخ دهند.
به‌عنوان مثال، در آلمان، مراکز داده در سال ۲۰۲۰ حدود ۱۶ میلیارد کیلووات ساعت برق مصرف کردند که معادل ۱٪ از کل انرژی مصرفی این کشور بوده است، در حالی که پیش‌بینی می‌شود این رقم در سال ۲۰۲۵ به ۲۲ میلیارد کیلووات‌ساعت افزایش یابد.
این رشد سریع مصرف انرژی، نیاز به روش‌های کارآمدتر برای آموزش سیستم‌های هوش مصنوعی را بیش از پیش آشکار می‌کند.
دستیابی به روش سریع و کم‌هزینه
فلیکس دیتریش، استاد یادگیری ماشینی پیشرفته، و تیمش روشی جدید ارائه کرده‌اند که به‌جای تنظیم تکراری پارامترها، از احتمالات برای بهینه‌سازی شبکه‌های عصبی استفاده می‌کند. در این روش، مقادیر بحرانی در داده‌های آموزشی شناسایی شده و تغییرات بزرگ و سریع در این نقاط اعمال می‌شود. این رویکرد نه تنها سرعت آموزش را به‌طور چشمگیری افزایش می‌دهد، بلکه مصرف انرژی را نیز کاهش می‌دهد.
این روش جدید نه تنها آموزش شبکه‌های عصبی را تا ۱۰۰ برابر سریع‌تر کرده است، بلکه دقت آن نیز بسیار فراتر از روش‌های سنتی است.
دیتریش می‌گوید: «این روش امکان تعیین پارامترهای مورد نیاز را با حداقل توان محاسباتی فراهم می‌کند و آموزش شبکه‌های عصبی را بسیار کارآمدتر می‌سازد. این پیشرفت می‌تواند به ساخت سیستم‌های هوش مصنوعی کوچک‌تر و کم‌مصرف‌تر کمک کند.»
آینده پایدار برای هوش مصنوعی
با کاهش مصرف انرژی و افزایش سرعت آموزش، این روش جدید می‌تواند راه را برای توسعه فناوری‌های هوش مصنوعی پایدارتر هموار کند. این پیشرفت نه تنها هزینه‌های عملیاتی را کاهش می‌دهد، بلکه به کاهش تأثیرات زیست‌محیطی مراکز داده نیز کمک می‌کند. در نتیجه، این نوآوری می‌تواند نقش مهمی در شکل‌دهی به آینده هوش مصنوعی و فناوری‌های مرتبط با آن ایفا کند.
