Det ser alltid ut til at algoritmer for kunstig intelligens gjør visse oppgaver ikke bare raskere enn mennesker, men mye raskere. Men paradoksalt nok, jo mer kunstig intelligens ligner den menneskelige hjernen, jo bedre fungerer den.
Et team av ingeniører hos IBM har bygget et fysisk nevralt nettverk som bokstavelig talt ligner menneskelige nevroner. Da ingeniører testet AI-algoritmen på en ny type ledninger, fant de ut at den utfører oppgaver med samme effektivitet som konvensjonelle nevrale nettverk, men bruker 100 ganger mindre energi.
Hvis denne nevrale kablingen tar rot, vil kunstig intelligens snart kunne gjøre mye mer beregninger og bruke mye mindre energi. Problemet er at datamaskinbrikker og nevrale nettverksalgoritmer snakker to forskjellige språk, og som et resultat er de tregere. Men i det nye systemet passer hardt og programvare perfekt sammen, og derfor fullfører det nye AI-systemet alle oppgaver raskere uten at det går ut over nøyaktigheten.
Dette er et skritt mot å bygge silisiumbaserte nevrale nettverk. Vanligvis fungerte ikke slike AI-systemer like bra, men den nye studien simulerte to typer nevroner: Den ene var ansvarlig for rask beregning, den andre ble opprettet for å lagre langsiktig informasjon.
Det er selvfølgelig noen tvil om påstandene fra forskere som hevder at svaret på å skape en fungerende kunstig intelligens er å gjenskape den menneskelige hjernen. I det store og hele vet vi ikke hvordan hjernen fungerer. Og det er en mulighet for at mye av det som er i hjernen vår, vil være ubrukelig for datamaskinen.
Ny forskning viser imidlertid at den fysiske strukturen til menneskelige nevroner kan gi mye nyttige ting for kunstig intelligens algoritmer, og i moderne forhold er energibesparing en viktig betingelse for optimal funksjon av ethvert system.
