Современные модели искусственного интеллекта, несмотря на их быстрый рост и повсеместное применение, все еще далеки от совершенства.
Основным ограничением является их недостаточная гибкость и энергоэффективность по сравнению с работой человеческого мозга. В Нижегородском государственном университете им. Н.И. Лобачевского активно разрабатываются новые нейросети, которые стремятся подойти к более высокому уровню, близкому к функционированию настоящего мозга.
В этом направлении работает профессор Сусанна Гордлеева, руководитель центра нейроморфных вычислений и лауреат премии Президента РФ в области науки и инноваций для молодых ученых. Она делится своим подходом к улучшению искусственного интеллекта с использованием новых математических моделей, которые более точно отражают процессы, происходящие в нейронных сетях мозга.
Искусственный интеллект стал широко известен благодаря языковым моделям, таким как «ChatGPT» и «DeepSeek», которые демонстрируют высокие результаты в обработке текстов и переводах.
Однако эти модели, основанные на устаревших математических алгоритмах, не имеют отношения к биологическим нейронным сетям, существующим в нашем мозге. При их создании ученые были ограничены в понимании структуры мышления и нейрофизиологии, что привело к тому, что искусственный интеллект остался на уровне упрощенных представлений о нейронах.
Таким образом, текущие модели не способны полностью воспроизвести сложные и многогранные процессы человеческого мышления.
Архитектура традиционных формальных нейронных сетей остается неизменной в процессе функционирования. При решении конкретных задач выбирается подходящая архитектура, а затем производится обучение или настройка весов связей на основе тщательно подготовленных данных.
Этот процесс обучения требует значительного времени, и после его завершения нейросети не изменяют свою структуру. В отличие от этого, нейронные сети в живом мозге обладают высокой пластичностью и изменяются в ответ на новый опыт.
Например, во время беседы вы усваиваете информацию о нейронных сетях; ваш мозг реагирует на нее, генерируя электрические импульсы, что меняет настройки нейросети и веса синапсов, то есть пластичных контактов между нейронами.
Это исследование вдохновило ученых математически описывать процессы обработки и хранения информации, создавая биологически правдоподобные модели для искусственных нейросетей. Это направление активно развивается во всем мире, и российская научная группа не отстает от международных разработок, а в некоторых аспектах даже опережает.
В рамках объявленного Президентом десятилетия науки и технологий в России наблюдается активный переход от фундаментальных исследований к созданию лабораторных образцов и прототипов, что свидетельствует о значительном прогрессе в этой области.
Создание новых систем для искусственного интеллекта требует усилий как программистов, так и разработчиков аппаратной части, то есть создателей микросхем и микроэлектронных компонентов. Эти компоненты являются основой для работы программ, созданных программистами.
Однако на старых схемах новые архитектуры не могут функционировать эффективно. Одной из ключевых задач является достижение высокой энергоэффективности в процессе разработки искусственных нейросетей.
Важно искать экономичные подходы к архитектуре вычислительных систем. Если энергозатраты на суперкомпьютеры продолжат расти с увеличением их мощности, может возникнуть серьезная проблема – нехватка электричества для работы ИИ.
Традиционные вычислительные устройства, как правило, более тепловые машины. Это связано с тем, что они расходуют не только электроэнергию на обработку данных, но и на их хранение, что приводит к образованию тепла, которое также необходимо утилизировать с использованием холодильных установок.
Данная ситуация объясняется архитектурой фон Неймана, в которой блоки хранения и обработки информации разделены, что требует постоянного обмена данными. Этот процесс требует значительных ресурсов – как времени, так и электроэнергии.
В отличие от этого, в человеческом мозге информация обрабатывается и хранится в одном месте – в нейронах и их соединениях. Нейроны генерируют электрические сигналы коротко и редко, что позволяет эффективно обрабатывать информацию и обновлять «знания» без значительных затрат энергии.
Поэтому наш мозг оказывается значительно более экономичным по сравнению с компьютерными системами.
