Globalny wyścig regulacyjny w zakresie AI
Kategoria: Trendy gospodarczeDlaczego UE powinna skoncentrować się na jakości danych i zasadach przypisania odpowiedzialności za jakość produktu?
Rozwój sztucznej inteligencji wiąże się z wysokimi kosztami energetycznymi i negatywnym wpływem na środowisko, co skłania do poszukiwania bardziej zrównoważonych rozwiązań. Jednym z obiecujących kierunków jest wykorzystanie neuronów podobnych do tych w ludzkim mózgu, które są niezwykle efektywne energetycznie.
(@Getty Images)
Od czasu premiery ChatGPT w 2022 r. wiele przedsiębiorstw na całym świecie zaczęło wdrażać generatywną sztuczną inteligencję (GenAI), a związany z nią wzrost popytu napędza także rozwój powiązanych branż, takich jak centra danych i półprzewodniki. Oczekuje się, że rozwój GenAI, wraz z obecnie dominującym modelem przetwarzania i transmisji danych opartym na chmurze, będzie również napędzał rozwój sztucznej inteligencji brzegowej, w której przetwarzanie danych odbywa się bezpośrednio na urządzeniach brzegowych (np. w samochodach, na smartfonach).
Rosnący popyt na GenAI powoduje znaczący wzrost zużycia energii. Międzynarodowa Agencja Energetyczna (IEA) wskazuje, że w 2022 r. centra danych, sztuczna inteligencja (AI) i powiązane z nimi technologie zużyły około 460 TWh na całym świecie, a do 2026 r. liczba ta może się podwoić, osiągając niemal 1000 TWh. Ten poziom konsumpcji jest porównywalny z całkowitym, rocznym zużyciem energii elektrycznej w Japonii – trzeciej co do wielkości gospodarce świata pod względem nominalnego PKB. Sztuczna inteligencja będzie najważniejszym motorem tego wzrostu, a zapotrzebowanie na energię elektryczną z centrów danych, zoptymalizowanych pod kątem AI, ma wzrosnąć ponad czterokrotnie do 2030 r.
Potencjał neuronów biologicznych
W przeciwieństwie do energochłonnych komputerów, ludzki mózg jest przykładem ekstremalnej efektywności energetycznej. Zużywa zaledwie około 20 watów energii do pracy (odpowiada to zużyciu energii przez sam monitor komputerowy w trybie uśpienia) i potrafi wykonać obliczenia na poziomie 1 egzaflopa, czyli kwintylion (10^18) obliczeń na sekundę. Mając około 86–100 mld neuronów mózg jest w stanie wykonać biliony operacji, które wymagałyby mocy małej elektrowni wodnej, gdyby zostały wykonane sztucznie. Dla porównania, superkomputer Frontier, który osiąga podobną wydajność obliczeniową jak ludzki mózg, wymaga 21 megawatów energii – co czyni go milion razy mniej efektywnym energetycznie. Z kolei trenowanie dużych modeli AI, takich jak ChatGPT-3, może zużywać 1300 megawatogodzin – odpowiada to rocznemu zużyciu energii przez 130 amerykańskich gospodarstw domowych. Te różnice wskazują na potencjał neuronów biologicznych w obniżaniu kosztów energetycznych sztucznej inteligencji.
Zobacz również:
Ekosystem energetyczny UE słabo przygotowany na rewolucję AI
Badania nad mózgiem i AI od początku miały wspólne elementy, gdyż najwcześniejsze wersje sztucznych sieci neuronowych w latach 50. XX w. opierały się na elementarnej wiedzy o ludzkich komórkach nerwowych. Dziś badania nad wykorzystaniem neuronów biologicznych lub systemów inspirowanych biologią są w fazie intensywnego rozwoju, a wśród nich istnieją dwa główne podejścia: biokomputing i obliczenia neuromorficzne.
Aktualny stan badań i możliwości
Biokomputing polega na integracji żywych komórek neuronalnych, takich jak organoidy mózgowe, z tradycyjnymi systemami komputerowymi (np. układami krzemowymi) w celu tworzenia hybrydowych platform obliczeniowych. Organoidy mózgowe to trójwymiarowe struktury komórkowe hodowane w laboratoriach z ludzkich komórek macierzystych, naśladujące wczesne stadia rozwoju ludzkiego mózgu. Zawierają neurony i inne komórki mózgowe, zdolne do samoorganizacji i wykazujące podstawowe aktywności neuronalne, takie jak impulsy elektryczne czy uczenie się. W przeciwieństwie do tradycyjnych komputerów, które opierają się na tranzystorach i algorytmach, biokomputing wykorzystuje zdolność biologiczną neuronów do przetwarzania informacji w sposób równoległy, adaptacyjny i energooszczędny. Organoidy są łączone z układami krzemowymi za pomocą elektrod lub interfejsów, które pozwalają na wysyłanie i odbieranie sygnałów, umożliwiając np. trenowanie organoidów do wykonywania prostych zadań obliczeniowych, takich jak rozpoznawanie wzorców czy sterowanie grami komputerowymi. Biokomputing ma potencjał redukcji zużycia energii nawet 100-krotnie w porównaniu z tradycyjnymi systemami AI, co może znacząco obniżyć koszty operacyjne, eliminując potrzebę kosztownych centrów danych i systemów chłodzenia.
Kilka tygodni temu australijska firma Cortical Labs z Melbourne zaprezentowała pierwszy na świecie komercyjny komputer biologiczny oparty na ludzkich komórkach mózgowych – CL1. Urządzenie działa dzięki wyhodowanym w laboratorium neuronom, rozmieszczonym na krzemowym chipie, które są zdolne do przesyłania i odbierania impulsów elektrycznych. Wszystko to wspiera zaawansowany system operacyjny nazwany „biOS” (Biological Intelligence Operating System). Umożliwia on nadzorowanie pracy neuronów i wykonywanie zadań obliczeniowych. Wewnętrzne mechanizmy, takie jak pompy i kontrola temperatury, pozwalają na utrzymanie neuronów w dobrej kondycji przez maksymalnie sześć miesięcy. Firma zapewnia, że biologiczny charakter tego komputera pozwala na lepszą efektywność w nauce i adaptacji urządzenia do nowych zadań w porównaniu z tradycyjnymi komputerami opartymi na krzemie. Ważnym wyróżnikiem jest także znaczne zmniejszenie zapotrzebowania na energię. Twórcy CL1 deklarują, że wprowadzili odpowiednie zabezpieczenia, by rozwiać potencjalne obawy etyczne związane z możliwością świadomości lub odczuwania przez eksperymentalne neurony – jednak obecnie szczegóły tych rozwiązań pozostają niejasne. Pierwsze modele CL1 mają trafić do klientów już w czerwcu 2025 r. w cenie 35 tys. dol. Korzystanie z urządzenia nie wymaga zaawansowanej wiedzy technicznej, co otwiera szerokie możliwości dla naukowców, badaczy i innowatorów z różnych dziedzin. Firma widzi potencjał tego rozwiązania w takich dziedzinach, jak modelowanie chorób neurologicznych, testowanie leków oraz rozwój bardziej efektywnych systemów AI.
Innym przykładem jest szwajcarska firma FinalSpark, która oferuje platformę biokomputingową umożliwiającą zdalny dostęp do organoidów mózgowych poprzez chmurę. Za 1 tys. dol. miesięcznie użytkownicy (głównie uniwersytety i instytuty badawcze) mogą przeprowadzać eksperymenty, np. trenować organoidy do określonych zadań obliczeniowych.
Zobacz również:
AI dołączy do wyścigu o energię
Z kolei obliczenia neuromorficzne polegają na tworzeniu układów elektronicznych, które odwzorowują strukturę i funkcjonowanie biologicznych sieci neuronowych. W przeciwieństwie do tradycyjnych procesorów, które oddzielają pamięć od jednostek obliczeniowych, układy neuromorficzne integrują te funkcje, podobnie jak w mózgu, gdzie neurony i synapsy jednocześnie przechowują i przetwarzają informacje. Układy neuromorficzne są projektowane tak, aby działać równolegle, adaptacyjnie i z ekstremalną efektywnością energetyczną, dlatego są szczególnie obiecujące w zastosowaniach wymagających przetwarzania danych w czasie rzeczywistym, takich jak rozpoznawanie obrazów, przetwarzanie sygnałów sensorycznych, robotyka czy urządzenia brzegowe AI. Obliczenia neuromorficzne mogą znacząco zmniejszyć zużycie energii w porównaniu z tradycyjnymi systemami sztucznej inteligencji, a tym samym obniżyć emisje dwutlenku węgla i koszty operacyjne (np. chipy neuromorficzne mogą być nawet 500 razy bardziej efektywne energetycznie).
Dla przykładu, naukowcy z Uniwersytetu Oksfordzkiego, IBM Research Europe i Uniwersytetu w Teksasie stworzyli sztuczne neurony o grubości atomowej, wykorzystując materiały 2D, takie jak grafen, dwusiarczek molibdenu i dwusiarczek wolframu. Neurony te mogą przetwarzać zarówno sygnały świetlne, jak i elektryczne. Pozwala to na bardziej złożone operacje, takie jak jednoczesne przesyłanie sygnałów w przód i w tył w sieci neuronowej – co jest kluczowe dla zaawansowanych zadań AI, takich jak uczenie maszynowe. Aktualnie projekt znajduje się na etapie dowodu koncepcji (proof of concept), a technologia ta nie jest jeszcze gotowa do komercjalizacji.
Inne firmy, takie jak np. eXistential AI (Dania), SynSense (Chiny/Szwajcaria) i Innatera (Holandia) również rozwijają procesory neuromorficzne o ultraniskim zużyciu energii. Dla przykładu, SynSense oferuje chipy do przetwarzania danych wizyjnych w czasie rzeczywistym, a Innatera koncentruje się na aplikacjach w czujnikach. Te technologie mogą znaleźć zastosowanie w urządzeniach mobilnych, robotyce i Internecie Rzeczy (IoT).
Korzyści finansowe i środowiskowe
Wykorzystanie neuronów biologicznych lub systemów inspirowanych biologią ma potencjał do istotnego obniżenia kosztów finansowych i środowiskowych związanych z rozwojem sztucznej inteligencji. Po pierwsze, ich efektywność energetyczna może znacznie zmniejszyć zapotrzebowanie na energię, a jednocześnie obniżyć koszty operacyjne, zwłaszcza w centrach danych, gdzie głównymi wydatkami są koszty zasilania i chłodzenia. Po drugie, redukcja zużycia energii, potencjalnie o 100x w przypadku biokomputingu, przełoży się na mniejszy ślad węglowy, co jest kluczowe w kontekście zmian klimatycznych. Dodatkowo, podejścia te mogą zmniejszyć zależność od rzadkich surowców, takich jak lit czy kobalt, używanych w produkcji tradycyjnych chipów.
Według szacunków wartość rynku biokomputingowego wyniosła w 2024 r. 9,42 mld dol. i prognozuje się, że osiągnie wartość 100,26 mld dol. do 2037 r., przy skumulowanym rocznym wskaźniku wzrostu (CAGR) na poziomie 19,9 proc. Rynek obliczeń neuromorficznych, który obejmuje zarówno układy, jak i urządzenia neuromorficzne, jest aktualnie wyceniany na około 8,36 mld dol. Jednocześnie przewiduje się, że uzyska on wartość około 47,31 mld dol. do 2034 r. (wg innych źródeł rynek obliczeń neuromorficznych osiągnie wartość 29,54 mld dol. do 2032 r.).
Wyzwania i ograniczenia
Biokomputing i obliczenia neuromorficzne mają potencjał do obniżenia finansowych i środowiskowych kosztów rozwoju oraz wdrażania AI, dzięki ich wysokiej efektywności energetycznej. Mimo obiecujących perspektyw, istnieją wyzwania, takie jak skalowalność, etyka i praktyczna implementacja.
Zobacz również:
Prawdziwa walka o sztuczną inteligencję
W przypadku biokomputingu, organoidy mają ograniczoną żywotność, co utrudnia ich długoterminowe wykorzystanie. Dochodzą do tego wysokie koszty badań i infrastruktury laboratoryjnej, takie jak m.in. bioreaktory do hodowli. Ponadto, kwestie etyczne – zwłaszcza potencjalna świadomość i możliwość odczuwania hodowanych neuronów, a także regulacje prawne, mogą spowolnić rozwój nowych rozwiązań. Obliczenia neuromorficzne, choć ogólnie bardziej zaawansowane technologicznie w porównaniu do biokomputingu, są jeszcze w fazie eksperymentalnej i wymagają dalszych badań, aby osiągnąć skalowalność potrzebną dla przemysłu AI.
Mimo że technologie biokomputingu i obliczeń neuromorficznych nie są obecnie gotowe do szerokiego zastosowania, ich przyszłość wydaje się obiecująca, szczególnie w kontekście zrównoważonego rozwoju i redukcji negatywnego wpływu technologii sztucznej inteligencji na klimat. Ich potencjalne zastosowanie dotyczy nie tylko AI i uczenia maszynowego, ale także m.in. odkrywania nowych leków, modelowania klimatu i medycyny spersonalizowanej. Oczekuje się, że te technologie mogą rywalizować z rewolucją cyfrową, oferując przełomowe postępy, ale potrzeba więcej czasu i dalszych badań, aby stały się praktyczne i możliwe do zastosowania na większą skalę.
Autorka wyraża własne opinie, a nie oficjalne stanowisko NBP.
(@Getty Images)
