Vi bevittnar den accelererade adoptionen av artificiell intelligens (AI), som har potential att omsättas i en mängd olika samhälleliga förändringar, inklusive förbättringar av ekonomin, bättre levnadsvillkor, lättare tillgång till utbildning, välbefinnande, och underhållning. En så efterlängtad framtid, dock, är behäftad med frågor som rör integritet, förklarabarhet, ansvarighet, för att nämna några, som utgör ett hot mot en smidig användning av AI, och som står i centrum för olika debatter i media.

En kanske mer oroande aspekt är relaterad till det faktum att nuvarande AI-teknik är helt ohållbar, och om vi inte agerar snabbt, detta kommer att bli det största hindret för en bred användning av artificiell intelligens i samhället.

AI och Bayesiansk maskininlärning

Men innan du går in på frågorna om AI:s hållbarhet, vad är AI? AI syftar till att bygga artificiella medel som kan känna av och resonera om sin miljö, och slutligen lära sig genom att interagera med det. Machine Learning (ML) är en viktig komponent i AI, vilket gör det möjligt att etablera korrelationer och orsakssamband mellan variabler av intresse från data och förkunskaper om de processer som kännetecknar agentens miljö.

Till exempel, inom biovetenskap, ML kan vara till hjälp för att fastställa sambandet mellan volymen av grå substans och utvecklingen av Alzheimers sjukdom, medan det inom miljövetenskap kan vara användbart att uppskatta effekten av CO ₂ utsläpp på klimatet. En nyckelaspekt av vissa ML-tekniker, i synnerhet Bayesian ML, är möjligheten att göra detta med hänsyn till osäkerheten på grund av bristen på kunskap om systemet, eller det faktum att en begränsad mängd data är tillgänglig.

Sådan osäkerhet är av grundläggande betydelse vid beslutsfattande när kostnaderna för olika utfall är obalanserade. Ett par exempel på domäner där AI kan vara till stor hjälp inkluderar en mängd olika medicinska scenarier (t.ex. diagnos, prognos, personlig behandling), miljövetenskap (t.ex. klimat, jordbävning/tsunami), och policyskapande (t.ex. trafik, hantera social ojämlikhet).

Ohållbar AI

De senaste spektakulära framstegen inom ML har bidragit till ett aldrig tidigare skådat ökat intresse för AI, vilket har utlöst enorma mängder privat finansiering till domänen (Google, Facebook, Amazon, Microsoft, OpenAI). Allt detta driver forskningen på området, men det bortser på något sätt från dess påverkan på miljön. Energiförbrukningen för nuvarande datorenheter växer i en okontrollerad takt. Det beräknas att strömförbrukningen för beräkningsenheter inom de närmaste tio åren kommer att nå 60% av den totala mängden energi som kommer att produceras, och detta kommer att bli helt ohållbart år 2040.

Nyligen genomförda studier visar att IKT-industrin idag genererar cirka 2 % av de globala CO₂-utsläppen, jämförbar med den globala flygindustrin, men den kraftiga tillväxtkurvans prognos för IKT-baserade utsläpp är verkligen alarmerande och överträffar flyget. Eftersom ML och AI är snabbt växande IKT -discipliner, detta är ett oroande perspektiv. Nyligen genomförda studier visar att koldioxidavtrycket av att träna en berömd ML-modell, kallas auto-encoder, kan förorena så mycket som fem bilar under sin livstid.

Om, för att skapa bättre levnadsvillkor och förbättra vår uppskattning av risker, vi påverkar miljön i så stor utsträckning, vi är tvungna att misslyckas. Vad kan vi göra för att radikalt förändra detta?

Låt det finnas ljus

Transistorbaserade lösningar på detta problem börjar dyka upp. Google utvecklade Tensor Processing Unit (TPU) och gjorde den tillgänglig 2018. TPU:er erbjuder mycket lägre strömförbrukning än GPU:er och CPU:er per beräkningsenhet. Men kan vi bryta oss loss från transistorbaserad teknik för datorer med lägre effekt och kanske snabbare? Svaret är ja! Under de senaste åren, det har gjorts försök att utnyttja ljus för snabba och lågeffektsberäkningar. Sådana lösningar är något stela i utformningen av hårdvaran och är lämpliga för specifika ML-modeller, t.ex., neurala nätverk.

Intressant, Frankrike ligger i framkant i detta, med hårdvaruutveckling från privat finansiering och nationell finansiering för forskning för att göra denna revolution till en konkret möjlighet. Det franska företaget LightOn har nyligen utvecklat en ny optikbaserad enhet, som de döpte till Optical Processing Unit (OPU).

I praktiken, OPU:er utför en specifik operation, vilket är en linjär transformation av ingångsvektorer följt av en icke-linjär transformation. Intressant, detta görs i hårdvara som utnyttjar egenskaperna för spridning av ljus, så att dessa beräkningar i praktiken sker med ljusets hastighet och med låg strömförbrukning. Dessutom, det är möjligt att hantera mycket stora matriser (i storleksordningen miljoner rader och kolumner), vilket skulle vara utmanande med processorer och GPU:er. På grund av ljusspridningen, denna linjära transformation är ekvivalenten med en slumpmässig projektion, t.ex. transformationen av indata med en serie slumptal vars fördelning kan karakteriseras. Är slumpmässiga prognoser användbara? Förvånansvärt ja! Ett bevis på att detta kan vara användbart för att skala beräkningar för vissa ML-modeller (kärnmaskiner, som är alternativ till neurala nätverk) har rapporterats här. Andra ML-modeller kan också utnyttja slumpmässiga projektioner för att förutsäga eller ändra punktdetektering i tidsserier.

Vi tror att detta är en anmärkningsvärd riktning för att göra modern ML skalbar och hållbar. Den största utmaningen för framtiden, dock, är hur man tänker om designen och implementeringen av Bayesianska ML -modeller för att kunna utnyttja beräkningarna som OPU:er erbjuder. Först nu börjar vi utveckla den metod som behövs för att till fullo dra nytta av denna hårdvara för Bayesian ML. Jag har nyligen tilldelats ett franskt stipendium för att få detta att hända.

Det är fascinerande hur ljus och slumpmässighet inte bara är genomträngande i naturen, de är också matematiskt användbara för att utföra beräkningar som kan lösa verkliga problem.

Denna artikel publiceras från The Conversation under en Creative Commons -licens. Läs originalartikeln.