Но, возможно, путь к эффективной разумной машине вовсе не лежит через ее увеличение, а, наоборот, через миниатюризацию. Инженеры задумались над этим, и нашли совершенно неожиданный источник вдохновения для искусственного интеллекта будущего: крошечного червя длиной всего в миллиметр.
В организме этой нематоды, Caenorhabditis elegans, всего 302 нейрона — и именно ее простая, но гибкая нервная система вдохновила ученых на создание «жидких нейронных сетей». Вдохновленный простым и одновременно эффективным устройством нервной системы червя, инженер Рамин Хасани, ныне руководитель стартапа Liquid AI, вместе с коллегами разработал радикально новый подход к машинному обучению — компактный, адаптивный и энергоэффективный.
Главное отличие «жидких» сетей от традиционных систем искусственного интеллекта в том, что они не «застывают» после обучения. Их связи меняются в реальном времени: алгоритм не просто вычисляет ответ, а изменяет способ вычисления под воздействием новой информации. Нейроны в таких системах взаимодействуют не только друг с другом «по направлению вперед», как в классической архитектуре, но и в обратном направлении — точно так же, как в мозге человека одно впечатление может вызвать как определенные ассоциации, так и коррекцию прежнего восприятия. Поэтому поведение модели становится вероятностным: дважды задав один и тот же вопрос, можно получить чуть разные ответы — точно так же, как это случается у живых существ.
Изначально создание таких сетей требовало очень громоздких вычислений, но команда Хасани нашла математическую «обходную тропинку», которая позволила ускорить расчеты в десятки раз. В результате появились маленькие, «жидкие» алгоритмы, способные работать прямо на определенных гаджетах, не требуя облака — например, в умных очках, дронах или автономных автомобилях. «Вы можете буквально установить нашу систему на свою кофемашину», — отмечает ученый.
Компьютерный биолог Питер Бентли из Университетского колледжа Лондона отмечает: «Сейчас ИИ поглощает чудовищное количество энергии. Но меньше нейронов — значит, меньше вычислений, а значит, меньше потребляемой мощности и углеродного следа».
Пока у технологии есть ограничения: в отличие от традиционных языковых моделей, она гораздо лучше справляется с данными, которые меняются во времени — видео, звуками, показаниями сенсоров. И именно таких данных в реальном мире большинство, именно они зачастую требуют обработки их системами ИИ. Возможно, именно благодаря инновационным «жидким» сетям искусственный интеллект станет не только умнее, но и существенно ближе к биологической природе — текучей, экономной и способной учиться с каждой новой каплей опыта.
