Китай разрабатывает новый световой чип, который может стать основой для искусственного общего интеллекта, передает портал Качественный Казахстан.

Ученые в Китае разработали новый модульный чип, работающий на свете, а не на электричестве. Этот чип, названный Taichi, является одной из многих деталей большого пазла, которые вместе могут образовать сложную и мощную вычислительную систему.

Если эту систему достаточно масштабировать, она будет способна обучать и запускать модель искусственного общего интеллекта (AGI) в будущем. AGI - это гипотетическая форма искусственного интеллекта, которая, по крайней мере в теории, обладает когнитивными способностями на уровне человека.

В последние годы ученые столкнулись с ограничениями традиционных электронных компонентов, особенно учитывая рост ИИ и огромное количество энергии, необходимое для обслуживания этих все более требовательных систем. Световые компоненты могут быть одним из способов преодоления ограничений традиционной электроники, включая проблемы с энергоэффективностью.

Ученые ранее описали дизайн нового типа фотонного микрочипа, который использует фотоны, или частицы света, вместо электронов для работы транзисторов. В общем, чем больше транзисторов на чипе, тем больше у него вычислительная мощь и тем больше энергии он требует для работы.

Таким образом, новый световой чип Taichi может стать ключевым элементом в развитии искусственного общего интеллекта, преодолевая ограничения традиционной электроники и открывая новые горизонты для будущего ИИ.

В феврале ученые представили дизайн нового типа фотонного микрочипа, который использует фотоны, или частицы света, вместо электронов для работы транзисторов — маленьких электрических переключателей, которые включаются или выключаются при подаче напряжения. Чипы на основе света значительно менее энергоемки и могут выполнять вычисления гораздо быстрее, чем традиционные чипы, поскольку они способны выполнять вычисления параллельно.

Современные архитектуры фотонных чипов для моделей ИИ состоят из сотен или тысяч параметров или обучающих переменных. Это делает их достаточно мощными для решения базовых задач, таких как распознавание образов, но большие языковые модели (LLM), такие как ChatGPT, обучаются с использованием миллиардов или даже триллионов параметров.

Агенту AGI, вероятно, потребуется на порядки больше параметров — как часть более широкой сети архитектур ИИ. На сегодняшний день не существует конкретных планов по созданию системы AGI.

В новом исследовании ученые разработали Taichi таким образом, чтобы он работал так же, как и другие световые чипы, но его можно масштабировать гораздо лучше, чем у конкурентов, как указано в их статье. Это связано с тем, что он сочетает в себе несколько преимуществ существующих фотонных чипов, включая «оптическую дифракцию и интерференцию», которые являются методами управления светом в компоненте.

Для тестирования конструкции исследователи собрали вместе несколько чиплетов Taichi и сравнили их архитектуру с другими световыми микросхемами в ключевых областях. Их архитектура достигла масштаба сети в 13,96 миллиона искусственных нейронов — по сравнению с 1,47 миллиона в следующем по величине конкурирующем проекте — с показателем энергоэффективности 160,82 триллиона операций на ватт (ТОПС/Вт). Следующий лучший результат, который они отметили в своей статье, был получен в исследовании, опубликованном в 2022 году, где фотонный чип достиг 2,9 ТОПС/Вт. Многие традиционные нейронные процессоры (NPU) и другие микросхемы достигают производительности менее 10 ТОПС/Вт.

«Taichi указывает на большой потенциал встроенных фотонных вычислений для обработки множества сложных задач с помощью больших сетевых моделей, что позволяет реализовать оптические вычисления в реальной жизни, - сказали ученые. - Мы ожидаем, что Taichi ускорит разработку более мощных оптических решений, которые станут важной поддержкой базовой модели и новой эры искусственного интеллекта».

Исследователи также заявили, что их архитектура на основе Taichi в два раза мощнее, чем другие фотонные системы, но они не ссылались на это напрямую. В тестах они использовали распределенную сеть Taichi для выполнения задач, включая категоризацию и классификацию изображений, а также генерацию контента изображений, в качестве доказательства концепции, а не для оценки производительности.

Источник: Live Science