Από τα τσιπ που τρέχουν νέα αυτοκίνητα μέχρι τα τσιπ που βοηθούν τα τηλέφωνα και τους υπολογιστές μας να επεξεργάζονται πληροφορίες έως τα μικροτσίπ που βοηθούν στην παρακολούθηση χαμένων ζώων, υπάρχουν πολύ λίγες πτυχές της σύγχρονης ανθρώπινης ζωής που δεν αγγίζονται από τσιπ. Ως αποτέλεσμα, υπάρχει μια τεράστια και σταθερή ώθηση για τη δημιουργία καλύτερων και πιο καινοτόμων τσιπ όσο το δυνατόν γρηγορότερα—μερικές φορές με κάθε απαραίτητο μέσο.
Μια ομάδα επιστημόνων εξήγησε πρόσφατα τη διαδικασία που επέτρεψε στην τεχνολογία τεχνητής νοημοσύνης (AI) να σχεδιάσει και να δοκιμάσει ένα πιο αποτελεσματικό τσιπ υπολογιστή. Ο κύριος συγγραφέας – ο ηλεκτρολόγος μηχανικός Kaushik Sengupta του εργαστηρίου Sengupta του Πανεπιστημίου του Πρίνστον – βραβεύτηκε πρόσφατα με υποτροφία IEEE για την έρευνά του στο ασύρματο τσιπ και το δίκτυο. Στη δημοσιότητα γύρω από αυτό το νέο έγγραφο, φρόντισε να εξηγήσει ότι ο στόχος είναι να συμπληρώσει την ανθρώπινη παραγωγικότητα αντί να την αντικαταστήσει.
Δημοσιεύοντας έρευνα ανοιχτής πρόσβασης, αξιολογημένης από ομοτίμους (στο πολυεπιστημονικό περιοδικό Nature Communications ) αντί να μεταφέρει τα ευρήματά του στο ιδιόκτητο lockbox μιας startup, ο Sengupta προωθεί ενδιαφέρουσες χρήσεις τεχνολογιών AI, όπως τα νευρωνικά δίκτυα (CNN) της ομάδας του. Ταυτόχρονα, υπάρχουν ισχυροί περιορισμοί ακόμη και σε πρωτοποριακές χρήσεις της τεχνητής νοημοσύνης – σε αυτήν την περίπτωση, η ερευνητική ομάδα είναι ειλικρινής σχετικά με το γεγονός ότι οι ανθρώπινοι μηχανικοί δεν μπορούν και μπορεί να μην καταλάβουν ποτέ πλήρως πώς λειτουργούν αυτά τα σχέδια τσιπ.
Για την κατασκευή ενός νέου είδους τσιπ, οι ερευνητές ξεκίνησαν με μια φιλοσοφία που ονομάζεται σχεδίαση από κάτω προς τα πάνω ή αντίστροφη σχεδίαση. Στη μηχανική υλικού, η αντίστροφη σχεδίαση ξεκινά με τις λεπτές λεπτομέρειες και τα επιθυμητά αποτελέσματα ενός τεμαχίου υλικού . Από εκεί, οι ερευνητές εργάζονται προς τα πίσω για να συσκευάσουν όλα τα προκύπτοντα κομμάτια σε ένα λειτουργικό κομμάτι τεχνολογίας.
Οι αλγόριθμοι υπολογιστών δεν απαιτούν την ίδια γραμμικότητα ή δομή που κάνει συνήθως ο ανθρώπινος εγκέφαλος, επομένως η απόφαση για τη σειρά ή το σχήμα των στοιχείων του τσιπ δεν έχει σημασία για την τεχνητή νοημοσύνη όπως συμβαίνει με τους ανθρώπινους μηχανικούς. Ο σωστός αλγόριθμος , λένε, θα μπορούσε να προτείνει νέα παραδείγματα μέσα σε λίγα λεπτά. Από εκεί, οι μηχανικοί θα μπορούσαν να χρησιμοποιήσουν αυτά τα παραδείγματα ως καινοτόμες αφετηρίες για τις δικές τους ιδέες.
Η ομάδα του Sengupta χρησιμοποίησε ένα συνελικτικό νευρωνικό δίκτυο (CNN) που έχει καταλήξει να σημαίνει υπερβολικά περίπλοκο. Το όνομα του CNN υποδηλώνει πώς το πρόγραμμα ξεπερνά τις επιδόσεις του ανθρώπινου μυαλού σε ορισμένες συγκεκριμένες εργασίες: σε κάθε βήμα, ο υπολογιστής μπορεί να εξετάσει κινήσεις που είναι πιο περίπλοκεσ από ό,τι ένας ανθρώπινος εγκέφαλος . Τα σχέδια των τσιπ μας φαίνονται πολύ τακτοποιημένα, αλλά τα σχέδια του CNN φαίνονται χαοτικά και θολά.
“Υπάρχουν παγίδες που εξακολουθούν να απαιτούν από τους ανθρώπινους σχεδιαστές να διορθώσουν”, δήλωσε ο Sengupta στη δήλωση. «Το θέμα δεν είναι να αντικαταστήσουμε τους ανθρώπους σχεδιαστές με εργαλεία. Το θέμα είναι να ενισχυθεί η παραγωγικότητα με νέα εργαλεία. Ο ανθρώπινος νους χρησιμοποιείται καλύτερα για τη δημιουργία ή την εφεύρεση νέων πραγμάτων, και η πιο πεζή, χρηστική εργασία μπορεί να εξυπηρετηθεί από αυτά τα εργαλεία».
Λόγω της διαφάνειάς της, αυτή η έρευνα θα ενταχθεί στον επιστημονικό διάλογο με τρόπο που πολλές τεχνολογίες τεχνητής νοημοσύνης δεν το κάνουν ποτέ. Ο χρόνος θα δείξει εάν αυτά τα πιο ανεξιχνίαστα σχέδια τσιπ θα καταλήξουν να τροφοδοτούν τα ασύρματα δίκτυα που καλύπτουν τον κόσμο μας.
photo: freepik
