Τα chips υπολογιστών υπάρχουν κυριολεκτικά παντού. Από τα κινητά μας, τα αυτοκίνητά μας, τις τηλεοράσεις μας, μέχρι τα ψυγεία μας και σχεδόν σε οτιδήποτε λειτουργεί με ρεύμα. Ο αγώνας για τη δημιουργία γρηγορότερων και πιο αποδοτικών chips, δε σταματάει ποτέ. Σε μια προσπάθεια να χαράξουν νέους δρόμους προς τα εμπρός, επιστήμονες του Prinston στράφηκαν στην τεχνητή νοημοσύνη για να σχεδιάσουν τα επόμενα chips Η/Υ και η τεχνητή νοημοσύνη το έκανε. Υπάρχει όμως ένα βασικό πρόβλημα. Τα chips αυτά είναι τόσο πολύπλοκά, που δε μπορούμε να καταλάβουμε τι κάνουν και πως λειτουργούν.
Η έρευνα διεξήχθη από μια ομάδα επιστημόνων στο εργαστήριο Sengupta, του Πανεπιστημίου Πρίνστον. Η ομάδα χρησιμοποιεί reverse engineering για να δημιουργήσει νέα chips, με την χρήση AI. Η προσέγγισή τους δε στοχεύει να αντικαταστήσει την ανθρώπινη εφευρετικότητα, αντιθέτως θέλουν να την ενισχύσουν, με νέες προσεγγίσεις.
Για αυτό, στράφηκαν στην τεχνητή νοημοσύνη για να σηκώσει το βαρύ φορτίο των πολύπλοκων υπολογισμών, ενώ οι άνθρωποι επικεντρώνονται στη δημιουργικότητα και την επίλυση προβλημάτων.
προβλημάτων. Χρησιμοποίησαν μια μορφή τεχνητής νοημοσύνης που ονομάζεται συνελικτικό νευρωνικό δίκτυο (CNN). Ενώ τα chips που σχεδιάζονται από ανθρώπους είναι τακτοποιημένα σε σειρά, τα chip που έφτιαξε η τεχνητή νοημοσύνη είναι χαοτικά και αντισυμβατικά. Οι άνθρωποι κρατούν τα πράγματα σε τάξη για να μην χαθούν σε πολύπλοκούς σχεδιασμούς. Όμως, επειδή η τεχνητή νοημοσύνη μπορεί να επεξεργαστεί ιδέες με πολύ πιο γρήγορο ρυθμό, έτσι έρχεται με σχέδια που δεν βγάζουν πολύ νόημα με την πρώτη ματιά.
Όμως, αυτή τη φορά ήρθε με σχέδια για chip τόσο διαφορετικά από αυτά που δημιουργούν οι άνθρωποι, που είναι πολύ δύσκολο να καταλάβουμε ακόμα και τον βασικό σχεδιασμό τους. Ωστόσο, αυτή η φαινομενική ακαταστασία θα μπορούσε να κρύβει ένα νέο επίπεδο αποτελεσματικότητας. Σε αντίθεση με τους ανθρώπινους μηχανικούς, η τεχνητή νοημοσύνη δεν δεσμεύεται από παραδοσιακούς κανόνες σχεδιασμού, οι οποίοι μπορεί να της επιτρέψουν να ανακαλύψει μοτίβα και λύσεις που θα χρειαστούν χρόνια για να βρουν οι άνθρωποι.
Μία από τις πιο συναρπαστικές πτυχές του chip υπολογιστή που δημιουργήθηκε από AI είναι η δυνατότητά του να επαναπροσδιορίσει τι είναι δυνατό στην απόδοση του. H AI μπορεί να δημιουργήσει νέα πρότυπα σχεδίασης, σε λίγα μόλις λεπτά, προσφέροντας νέες ιδέες που οι άνθρωποι μηχανικοί μπορεί να μην σκεφτόντουσαν ποτέ. Αυτή η συνεργασία ανθρώπου και μηχανής, μπορεί να φέρει τεχνολογική επανάσταση στον χώρο των ημιαγωγών, στις επικοινωνίες και στην επεξεργασία δεδομένων.
Όμως υπάρχει ένα μεγάλο πρόβλημα με την τεχνητή νοημοσύνη που πρέπει να ξεπερασθούν. Γενικότερα, όπως έχουμε δει και στις υλοποιήσεις για τη δημιουργία εικόνων, η τεχνητή νοημοσύνη τείνει να παράγει παραισθήσεις, όπως ανθρώπους με παραπάνω δάχτυλα, χέρια και πόδια. Αυτά, μπορεί να φαίνονται λογικά στον αλγόριθμό, όμως απέχουν πολύ από τον ρεαλισμό. Το ίδιο μπορεί να συμβαίνει και στην τεχνητή νοημοσύνη που σχεδιάζει chips επόμενης γενιάς. Αυτές οι “παραισθήσεις” πλήττουν όλα τα μοντέλα τεχνητής νοημοσύνης που έχουμε σήμερα, με συχνότερα να εμφανίζεται στο Chat GPT, to Dall-E και πολλά άλλα μοντέλα, που παράγουν πληροφορίες, που ο αλγόριθμος πιστεύει πως είναι κατάλληλες για την εργασία που ζητήθηκε, ακόμα και όταν απέχουν πολύ από το να είναι σωστές.
Όρια ταχυτήτων και δεδομένων κινητής στους Ελληνικούς παρόχους για όποιο πρόγραμμα και αν έχεις
Για αυτό, στον σχεδιασμό chip η εποπτεία του ανθρώπου είναι κρίσιμη, όμως για να γίνει αυτό, θα πρέπει οι μηχανικοί που εποπτεύουν, να μπορούν να καταλάβουν τι είναι αυτό που βλέπουν και στην παρούσα φάση δυσκολεύονται πολύ. Ωστόσο, τα σχέδια της τεχνητής νοημοσύνης, ίσως δώσουν την έμπνευση στους μηχανικούς, ώστε να φέρουν την επανάσταση στους επεξεργαστές.
Τα chips που δημιούργησε η τεχνητή νοημοσύηνη μπορεί να είναι το μέλλον ή μπορεί να είναι άλλη μία αστοχία της πραγματικότητας, όπως έχουμε δει πολλές στο παρελθόν. Αν οι μηχανικοί πίσω από το project καταφέρουν να ξεχωρίσουν τι είναι ρεαλιστικό και τι όχι, ίσως δούμε επιτέλους και ένα θετικό από την τεχνητή νοημοσύνη σε δράση, γιατί μέχρι στιγμής… μέλι-μέλι και τηγανήτα τίποτα…
Η μελέτη δημοσιεύθηκε στο Nature Communications.
Ακολουθήστε το Techmaniacs.gr στο Google News για να διαβάζετε πρώτοι όλα τα τεχνολογικά νέα. Ένας ακόμα τρόπος να μαθαίνετε τα πάντα πρώτοι είναι να προσθέσετε το Techmaniacs.gr στον RSS feeder σας χρησιμοποιώντας τον σύνδεσμο: https://techmaniacs.gr/feed/.
