A mesterséges intelligencia forradalma minden eddiginél nagyobb számítási kapacitást igényel, ennek következtében pedig az adatközpontok energiafogyasztása soha nem látott mértékben nő. Míg a hagyományos digitális számítógépek - laptopok, okostelefonok és szuperszámítógépek - bináris logikán, azaz 0 és 1 biteken keresztül dolgoznak, addig az analóg számítógépek teljesen más elven működnek: nem diszkrét, hanem folyamatos fizikai mennyiségeket, például elektromos ellenállást vagy feszültséget használnak az információ feldolgozásához.
Ez a különbség hatalmas előnyt jelenthet, különösen az energiahatékonyság és a számítási sebesség terén. Az analóg számítógépek eddig azért nem váltak elterjedtté, mert pontosságban messze elmaradtak digitális társaiktól. Most azonban a Pekingi Egyetem kutatója, Zhong Sun és csapata olyan analóg chippárt fejlesztett, amely képes leküzdeni ezt a korlátot, és új távlatokat nyit a mesterséges intelligencia tréningjében.
A két chip együtt dolgozik: az első villámgyorsan, bár alacsonyabb pontossággal old meg mátrixegyenleteket - ezek a matematikai műveletek az AI-modellek tanításának alapját képezik. A második chip egy iteratív algoritmust futtat, amely korrigálja az első számítás hibáit. Az eredmény lenyűgöző: az első körben 1 százalékos hibaarány három finomító ciklus után 0,0000001 százalékra csökken, ami már megegyezik a digitális rendszerek pontosságával.
A jelenlegi prototípus 16×16-os mátrixokat - azaz 256 változót - képes feldolgozni, ami még csak kísérleti méret, de az elv működik. A nagy kihívás most a skálázás: az olyan rendszerekhez, amelyek a legnagyobb nyelvi modelleket, például a ChatGPT-t vagy a Claude-ot tanítják, milliószor nagyobb mátrixokat kellene kezelni. Sun azonban kiemeli, hogy az analóg architektúra itt is komoly előnyt biztosíthat: míg a digitális chipek számítási ideje exponenciálisan nő a feladat bonyolultságával, az analóg rendszerek számára a méret nem jelent különösebb akadályt.
A kutatók becslése szerint egy 32×32-es analóg chip már képes lenne túlszárnyalni az Nvidia H100 GPU teljesítményét - ez az egyik legfejlettebb grafikus processzor, amelyet ma AI-modellek képzésére használnak. Elméleti szinten pedig a technológia akár 1000-szeres adatfeldolgozási sebességet és 100-szoros energiahatékonyságot is elérhet a mai digitális rendszerekhez képest.
Mindez természetesen nem jelenti azt, hogy az analóg számítógépek rövid időn belül leváltják a digitálisakat. A jelenlegi fejlesztések erősen specializáltak, kizárólag mátrixműveletek végrehajtására alkalmasak. A valóságban azonban a legtöbb AI-feladat összetettebb, többféle számítási típust igényel. Sun szerint a legvalószínűbb irány a hibrid architektúrák felé mutat, ahol a digitális GPU-kat kiegészítik bizonyos analóg áramkörök, amelyek a legenergiaigényesebb részműveleteket végzik el.
A londoni King's College fizikusa, James Millen is kiemeli a fejlesztés jelentőségét. Véleménye szerint a mátrixinverzió az AI-modellek tanításának egyik legfontosabb számítási folyamata, és az analóg technológia itt valódi áttörést hozhat. "A modern világ digitális számítógépekre épül, ezek univerzális eszközök, de nem minden feladatot képesek gyorsan vagy hatékonyan elvégezni. Az analóg rendszerek ezzel szemben egy-egy specifikus problémára optimalizáltak, így elképesztő sebességet és energiahatékonyságot érhetnek el" - mondja Millen.
Az AI-technológia jelenlegi formájában hatalmas mennyiségű áramot fogyaszt: egyetlen nagyméretű nyelvi modell tanítása akár több gigawattórányi energiát is igényelhet. Ha az analóg számítógépek valóban képesek lennének századrésznyi energiafelhasználással ugyanazt a munkát elvégezni, az nemcsak gazdasági, hanem környezeti szempontból is forradalmi lépést jelentene.
Bár az analóg számítástechnika évtizedekre háttérbe szorult a digitális korszakban, a mesterséges intelligencia korában újra reflektorfénybe kerülhet...
