Lys:En mulig løsning til en bæredygtig kunstig intelligens

Vi er vidne til den accelererede indførelse af kunstig intelligens (AI), som har potentiale til at omsætte til en række forskellige samfundsmæssige ændringer, herunder forbedringer af økonomien, bedre levevilkår, lettere adgang til uddannelse, velvære, og underholdning. Så længe ventet en fremtid, imidlertid, er plettet med spørgsmål relateret til privatlivets fred, forklarlighed, ansvarlighed, for at nævne et par stykker, som udgør en trussel mod en smidig indførelse af kunstig intelligens, og som er i centrum for diverse debatter i medierne.

Et måske mere bekymrende aspekt er relateret til det faktum, at de nuværende AI-teknologier er fuldstændig uholdbare, og medmindre vi handler hurtigt, dette vil blive den største hindring for en bred adoption af kunstig intelligens i samfundet.

AI og Bayesiansk maskinlæring

Men før du dykker ned i spørgsmålene om bæredygtighed af AI, hvad er AI? AI sigter mod at bygge kunstige midler, der er i stand til at sanse og ræsonnere om deres miljø, og i sidste ende lære ved at interagere med det. Machine Learning (ML) er en væsentlig komponent i kunstig intelligens, som gør det muligt at etablere korrelationer og årsagssammenhænge mellem variabler af interesse ud fra data og forudgående viden om de processer, der karakteriserer agentens miljø.

For eksempel, i biovidenskab, ML kan være nyttigt til at bestemme forholdet mellem gråstofvolumen og udviklingen af ​​Alzheimers sygdom, hvorimod det inden for miljøvidenskab kan være nyttigt at estimere effekten af ​​CO ₂ emissioner på klimaet. Et nøgleaspekt af nogle ML-teknikker, især Bayesian ML, er muligheden for at gøre dette under hensyntagen til usikkerheden på grund af manglende kendskab til systemet, eller det faktum, at en begrænset mængde data er tilgængelig.

En sådan usikkerhed er af fundamental betydning i beslutningstagningen, når omkostningerne forbundet med forskellige resultater er ubalancerede. Et par eksempler på domæner, hvor kunstig intelligens kan være til enorm hjælp, omfatter en række medicinske scenarier (f.eks. diagnose, prognose, personlig behandling), miljøvidenskab (f.eks. klima, jordskælv/tsunami), og politikudformning (f.eks. Trafik, bekæmpelse af social ulighed).

Ubæredygtig AI

De seneste spektakulære fremskridt inden for ML har bidraget til et hidtil uset løft af interessen for kunstig intelligens, hvilket har udløst enorme mængder privat finansiering til domænet (Google, Facebook, Amazon, Microsoft, OpenAI). Alt dette presser forskningen på området, men den ser på en eller anden måde bort fra dens indvirkning på miljøet. Energiforbruget af nuværende computerenheder vokser i et ukontrolleret tempo. Det anslås, at strømforbruget for computerenheder inden for de næste ti år vil nå op på 60 % af den samlede mængde energi, der vil blive produceret, og dette vil blive fuldstændig uholdbart i 2040.

Nylige undersøgelser viser, at IKT-industrien i dag genererer cirka 2 % af den globale CO₂-emission, sammenlignelig med den verdensomspændende luftfartsindustri, men den skarpe vækstkurve prognose for IKT-baserede emissioner er virkelig alarmerende og langt hurtigere end luftfarten. Fordi ML og AI er hurtigt voksende IKT-discipliner, dette er et bekymrende perspektiv. Nylige undersøgelser viser, at CO2-fodaftrykket ved at træne en berømt ML-model, kaldet auto-encoder, kan forurene så meget som fem biler i deres levetid.

Hvis, for at skabe bedre levevilkår og forbedre vores vurdering af risiko, vi påvirker miljøet i så vid udstrækning, vi er bundet til at fejle. Hvad kan vi gøre for at ændre dette radikalt?

Lad der være lys

Transistorbaserede løsninger på dette problem begynder at dukke op. Google udviklede Tensor Processing Unit (TPU) og gjorde den tilgængelig i 2018. TPU'er tilbyder meget lavere strømforbrug end GPU'er og CPU'er pr. beregningsenhed. Men kan vi bryde væk fra transistor-baseret teknologi til databehandling med lavere effekt og måske hurtigere? Svaret er ja! I de sidste par år, der har været forsøg på at udnytte lys til hurtige beregninger med lav effekt. Sådanne løsninger er noget stive i designet af hardwaren og er velegnede til specifikke ML-modeller, f.eks., neurale netværk.

Interessant nok, Frankrig er på forkant med dette, med hardwareudvikling fra private midler og nationale midler til forskning for at gøre denne revolution til en konkret mulighed. Det franske firma LightOn har for nylig udviklet en ny optik-baseret enhed, som de kaldte Optical Processing Unit (OPU).

I praksis, OPU'er udfører en specifik operation, som er en lineær transformation af inputvektorer efterfulgt af en ikke-lineær transformation. Interessant nok, dette gøres i hardware, der udnytter egenskaberne ved spredning af lys, således at disse beregninger i praksis sker med lysets hastighed og med lavt strømforbrug. I øvrigt, det er muligt at håndtere meget store matricer (i størrelsesordenen millioner af rækker og kolonner), hvilket ville være udfordrende med CPU'er og GPU'er. På grund af spredning af lys, denne lineære transformation svarer til en tilfældig projektion, f.eks. transformationen af ​​inputdata med en række tilfældige tal, hvis fordeling kan karakteriseres. Er tilfældige fremskrivninger nyttige? Overraskende ja! Et proof-of-concept, at dette kan være nyttigt til at skalere beregninger for nogle ML-modeller (kernemaskiner, som er alternative til neurale netværk) er blevet rapporteret her. Andre ML-modeller kan også udnytte tilfældige projektioner til forudsigelse eller ændring af punktdetektering i tidsserier.

Vi mener, at dette er en bemærkelsesværdig retning for at gøre moderne ML skalerbar og bæredygtig. Den største udfordring for fremtiden, imidlertid, er, hvordan man gentænker designet og implementeringen af ​​Bayesianske ML-modeller for at kunne udnytte de beregninger, som OPU'er tilbyder. Først nu begynder vi at udvikle den nødvendige metode til fuldt ud at udnytte denne hardware til Bayesian ML. Jeg er for nylig blevet tildelt et fransk stipendium for at få dette til at ske.

Det er fascinerende, hvordan lys og tilfældigheder ikke kun er gennemgående i naturen, de er også matematisk nyttige til at udføre beregninger, der kan løse reelle problemer.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.