Super-Turing-Chip: Revolutionäre KI-Technologie mit minimalem Energieverbrauch

LOS ANGELES / MÜNCHEN (IT BOLTWISE) – Eine neue Ära der Künstlichen Intelligenz (KI) könnte mit der Einführung eines sogenannten Super-Turing-Chips beginnen, der in der Lage ist, in Echtzeit zu lernen und dabei nur minimalen Energieverbrauch aufweist.

In einem bemerkenswerten Experiment steuerte eine Drohne durch einen digitalen Wald, meisterte Hindernisse und wechselnde Winde mit einer Geschicklichkeit, die der eines Menschen ähnelt. Angetrieben wurde sie nicht von einem riesigen Server, sondern von einem winzigen, energieeffizienten Chip, der das menschliche Gehirn nachahmt. Diese neue Art der Künstlichen Intelligenz, entwickelt von Ingenieuren der UCLA und Texas A&M, stellt eine bedeutende Weiterentwicklung dar, die die Grenzen herkömmlicher Computertechnologie sprengt.

Im Kern des Systems liegt ein Schaltkreis aus sogenannten ‘Synstoren’, die aus ferroelektrischem Hafnium-Zirkonium-Oxid bestehen. Diese ermöglichen es dem System, seine Verbindungen in Echtzeit zu modifizieren. Die Forschung, veröffentlicht in Science Advances, zeigt, dass diese Super-Turing-Architektur traditionelle künstliche neuronale Netze in Bezug auf Anpassungsfähigkeit und Energieeffizienz übertreffen kann, während sie nur 158 Nanowatt verbraucht.

Traditionelle KI-Modelle verlassen sich stark auf Backpropagation, eine Methode zur Anpassung von neuronalen Netzen während des Trainings. Diese Methode ist jedoch nicht biologisch plausibel und erfordert erhebliche Rechenressourcen. Die Forscher untersuchten alternative Mechanismen wie das Hebb’sche Lernen und die Spike-Timing-abhängige Plastizität, die die Art und Weise nachahmen, wie echte Gehirne lernen.

Die meisten heutigen KI-Systeme, einschließlich derer, die selbstfahrende Autos und große Sprachmodelle antreiben, basieren auf dem Turing-Modell der Berechnung. Sie führen festgelegte Algorithmen aus, die im Voraus trainiert wurden, und können sich nicht an neue Umgebungen anpassen, ohne von Grund auf neu trainiert zu werden. Dies macht es schwierig für KI-Systeme, in unbekannten Umgebungen zu funktionieren und ist äußerst energieintensiv.

Im Gegensatz dazu ermöglicht der Super-Turing-Ansatz eine kontinuierliche Anpassung an Umweltveränderungen. Der Synstor-Schaltkreis kann seine internen Gewichte in Echtzeit aktualisieren, ohne dass eine Pause oder ein externes Retraining erforderlich ist. Dies wurde in einem Test demonstriert, bei dem eine von Synstoren gesteuerte Drohne schneller und effizienter als Menschen und traditionelle neuronale Netze navigierte.

Die Implikationen dieser Technologie könnten weitreichend sein. Von autonomen Drohnen über robotische Prothesen bis hin zu intelligenten Wearables und der Weltraumforschung könnten Systeme, die in Echtzeit auf unvorhersehbare Umgebungen reagieren müssen, enorm von Super-Turing-KI profitieren. Die Architektur der Synstoren eignet sich zudem für die Skalierung, was die Entwicklung von Systemen mit Millionen von Synstoren ermöglicht.

Diese Entwicklung könnte die Grundlage für eine neue Klasse von gehirnähnlichen Computern bilden, die nicht nur vorab gelernte Aufgaben ausführen, sondern kontinuierlich lernen, sich anpassen und verbessern können, alles in Echtzeit und mit minimalem Energieverbrauch. Während die Debatte über die Fähigkeit der KI, menschliche Intelligenz zu erreichen, weitergeht, verschiebt diese Studie leise die Zielpfosten, indem sie zeigt, dass wahre Intelligenz nicht darin besteht, mehr Daten zu speichern, sondern sich anzupassen, wenn die Daten ausgehen.

Unseren KI-Morning-Newsletter «Der KI News Espresso» mit den besten KI-News des letzten Tages gratis per eMail - ohne Werbung: Hier kostenlos eintragen!