Các nhà khoa học ở Trung Quốc đã tạo ra một cấu ​​trúc điện toán mới có thể đào tạo các mô hình trí tuệ nhân tạo (AI) tiên tiến trong khi tiêu tốn ít tài nguyên máy tính hơn - và họ hy vọng rằng nó sẽ dẫn đến trí tuệ nhân tạo tổng hợp (AGI).

AGI là một cột mốc quan trọng mà khoa học vẫn chưa thể vượt qua, nhưng các nhà nghiên cứu tin rằng đó chỉ là vấn đề thời gian.

Các mô hình AI tiên tiến nhất hiện nay - chủ yếu là các mô hình ngôn ngữ (LLM) như ChatGPT hoặc Claude 3 - sử dụng tập hợp các thuật toán học được xếp lớp để xử lý dữ liệu theo cách tương tự như bộ não con người và cân nhắc các lựa chọn khác nhau để đưa ra kết luận.

LLM hiện bị hạn chế vì không thể hoạt động vượt quá giới hạn của dữ liệu có sẵn và không thể suy luận tốt như con người. Ngược lại, AGI là một hệ thống giả định có thể suy luận, bối cảnh hóa, chỉnh sửa mã theo ý hiểu của riêng nó và học bất kỳ nhiệm vụ trí tuệ nào mà con người có thể làm được.

Ngày nay, việc tạo ra các hệ thống AI thông minh hơn phụ thuộc vào việc xây dựng các mạng lưới thần kinh ngày càng lớn hơn. Nghĩa là mạng lưới thần kinh có thể trở thành AGI nếu được mở rộng quy mô đầy đủ, nhưng điều này rất khó thực hiện vì mức tiêu thụ năng lượng và nhu cầu tài nguyên máy tính cũng tăng theo.

Theo hướng đó, một nghiên cứu mới được công bố ngày 16.8 trên tạp chí Khoa học toán tự nhiên đề xuất một cấu ​​trúc điện toán mới lấy cảm hứng từ bộ não con người, dự kiến ​​sẽ loại bỏ các vấn đề thực tế của việc mở rộng quy mô mạng lưới thần kinh.

Các nhà khoa học cho rằng bộ não con người có 100 tỉ tế bào thần kinh và gần 1.000 nghìn tỉ kết nối khớp thần kinh, tuy nhiên, mức tiêu thụ điện năng của nó chỉ khoảng 20 watt.

Nhằm mục đích bắt chước các đặc tính này, các nhà nghiên cứu đã sử dụng một phương pháp tập trung vào "sự phức tạp bên trong" thay vì "sự phức tạp bên ngoài" của việc mở rộng quy mô kiến ​​trúc AI - ý tưởng là tập trung vào việc làm cho các nơ-ron nhân tạo riêng lẻ trở nên phức tạp hơn sẽ dẫn đến một hệ thống hiệu quả và mạnh mẽ hơn.

Họ đã xây dựng mạng Hodgkin-Huxley (HH), là mô hình tính toán mô phỏng hoạt động thần kinh và có độ chính xác cao nhất trong việc ghi lại các xung thần kinh-xung mà các tế bào thần kinh sử dụng để giao tiếp với nhau.

Một nghiên cứu năm 2021 cho thấy nó có độ tin cậy cao khi tái hiện hoạt động của các nơ-ron thực và phù hợp để mô hình hóa kiến ​​trúc mạng nơ-ron sâu nhằm tái tạo các quá trình nhận thức của con người.

Trong nghiên cứu, các nhà khoa học đã chứng minh mô hình này có thể xử lý các nhiệm vụ phức tạp một cách hiệu quả và đáng tin cậy, một mô hình nhỏ dựa trên cấu ​​trúc này có thể hoạt động tốt như một mô hình nơ-ron nhân tạo thông thường lớn hơn nhiều.