Bagaimana Paralelisasi Masif Meningkatkan Efisiensi Otak Atas Kemampuan AI
Otak adalah alat yang kompleks; pada manusia, mengandung sekitar 100 miliar neuron dan sekitar 100 triliun koneksi di antara mereka. Ini sering dibandingkan dengan sistem kompleks lain dengan kemampuan penyelesaian tugas besar: komputer digital. Otak dan komputer mengandung sejumlah besar unit elementer - neuron atau transistor, masing-masing - yang terhubung ke sirkuit kompleks yang memproses informasi yang ditransmisikan oleh sinyal listrik. Pada tingkat global, arsitektur otak dan komputer agak mirip, karena terdiri dari loop yang hampir terpisah untuk input, output, pemrosesan terpusat, dan memori.
Siapa yang lebih baik dalam memecahkan masalah - otak atau komputer? Mengingat pesatnya perkembangan teknologi komputer dalam beberapa dekade terakhir, Anda dapat memutuskan apa yang memenangkan komputer. Memang, komputer dirancang dan diprogram untuk mengalahkan master manusia dalam permainan yang kompleks, seperti catur pada 1990-an, dan baru-baru ini, serta dalam kompetisi untuk pengetahuan ensiklopedis, seperti acara
Permainan Jeopardy ! , tetapi untuk saat ini bahwa orang mengalahkan komputer dalam berbagai tugas yang berhubungan dengan dunia nyata - dari kemampuan untuk membedakan antara pengendara sepeda atau pejalan kaki di jalan untuk mengambil secangkir teh dari meja dan dengan hati-hati memindahkannya ke mulut - belum lagi konseptualisasi dan kreativitas.
Mengapa komputer melakukan tugas-tugas tertentu dengan baik, dan otak dengan yang lain? Perbandingan komputer dengan otak membantu insinyur dan ahli saraf memahami masalah ini. Perbandingan berikut dibuat pada awal era modern komputer, dalam buku kecil tapi berpengaruh The Computer and the Brain oleh
John von Neumann , seorang spesialis di berbagai bidang ilmu pengetahuan, yang merupakan orang pertama yang mengembangkan skema arsitektur komputer pada tahun 1940-an, masih kemudian berfungsi sebagai dasar komputer modern. Mari kita lihat angka-angka dalam perbandingan ini.
| Sifat-sifat | Komputer | Otak |
|---|
| Jumlah elemen elementer | Hingga 10 miliar transistor | ≈ 100 miliar neuron dan 100 triliun sinapsis |
| Kecepatan Operasi Dasar | 10 miliar / detik | <1000 / dtk |
| Akurasi | 1 dalam 4,2 miliar (untuk prosesor 32-bit) | 1 hingga 100 |
| Konsumsi daya | 100 watt | 10 watt |
| Metode Pemrosesan Informasi | Serial serial | Serial dan Massively Parallel |
| Jumlah input dan output masing-masing elemen | 1-3 | ≈ 1000 |
| Mode operasi | Digital | Digital dan analog |
Data diambil dari komputer 2008. Jumlah transistor per sirkuit terintegrasi dua kali lipat setiap 18-24 bulan, tetapi seiring waktu, peningkatan kecepatan menurun karena masalah dengan konsumsi daya dan pembuangan panas.
Komputer memiliki keunggulan besar dibandingkan otak dalam kecepatan operasi dasar
1 . Saat ini, komputer pribadi mampu melakukan operasi aritmatika dasar seperti penambahan, dengan kecepatan 10 miliar operasi per detik. Kita dapat mengevaluasi kecepatan operasi otak elementer dengan proses elementer di mana neuron mengirimkan informasi dan berkomunikasi satu sama lain. Sebagai contoh, neuron mengaktifkan
potensial aksi - semburan sinyal listrik yang diluncurkan di sekitar sel neuron dan ditransmisikan di sepanjang cabang panjangnya, akson, menghubungkannya dengan neuron berikut. Informasi dikodekan pada frekuensi dan waktu dimulainya semburan ini. Frekuensi aktivasi neuron maksimum adalah urutan 1000 bursts per detik. Dalam contoh lain, neuron mentransmisikan informasi ke neuron mitra terkait, memancarkan neurotransmiter kimia dalam struktur khusus di ujung akson, sinapsis, dan neuron mitra mengubah neurotransmitter kembali menjadi sinyal listrik, dan proses ini disebut
transmisi sinaptik . Transmisi sinaptik tercepat terjadi dalam 1 ms. Oleh karena itu, melalui semburan dan transmisi sinaptik, otak mampu melakukan maksimum seribu operasi dasar per detik, yang 10 juta kali lebih lambat daripada komputer. Diasumsikan bahwa operasi aritmatika harus mengubah input ke output, sehingga kecepatan kerja dibatasi oleh operasi dasar komunikasi neuron, seperti potensial aksi dan transmisi sinaptik. Tetapi ada pengecualian untuk pembatasan ini. Sebagai contoh, neuron dengan sinapsis listrik (koneksi antara neuron yang tidak menggunakan neurotransmitter kimia) yang tidak menghasilkan lonjakan, pada prinsipnya, mampu mentransmisikan informasi lebih cepat daripada dalam milidetik; juga kejadian yang mampu terjadi secara lokal di dendrit mampu melakukannya.
Komputer juga memiliki keunggulan serius dibandingkan otak dalam akurasi operasi dasar. Komputer mampu merepresentasikan angka dengan akurasi yang diinginkan menggunakan bit, nol dan unit yang ditetapkan untuk masing-masing angka. Misalnya, angka 32-bit memiliki akurasi 1 hingga 2
32 , atau 4,2 miliar. Bukti empiris menunjukkan bahwa sebagian besar angka dalam sistem saraf (misalnya, frekuensi aktivasi neuron, yang sering digunakan sebagai perkiraan intensitas stimulus) berfluktuasi beberapa persen karena kebisingan biologis, yaitu, akurasi, paling banter, adalah 1 hingga 100, yang jutaan kali lebih buruk daripada komputer. Omong-omong, kebisingan dapat berfungsi sebagai indikator bahwa banyak proses saraf pada dasarnya probabilistik. Stimulus yang sama dapat menyebabkan urutan ledakan aktivitas listrik neuron yang berbeda.
Namun, perhitungan yang dilakukan oleh otak tidak bisa disebut lambat atau tidak akurat. Sebagai contoh, seorang pemain tenis profesional dapat mengikuti lintasan bola yang terbang dengan kecepatan hingga 260 km / jam, pindah ke tempat yang optimal di lapangan, meletakkan tangannya di posisi yang tepat dan melambaikan raket, mengembalikan bola ke setengah lawan - dan semua ini dalam beberapa ratus milidetik. Selain itu, otak mampu melakukan semua tugas ini (menggunakan tubuh yang dikendalikannya), mengonsumsi energi sepuluh kali lebih sedikit daripada komputer pribadi. Bagaimana otak berhasil? Perbedaan penting antara komputer dan otak adalah mode di mana masing-masing sistem ini memproses informasi. Komputer melakukan tugas untuk sebagian besar dalam langkah berurutan. Ini dapat dilihat dengan cara programmer menulis kode, menciptakan aliran instruksi berturut-turut. Diperlukan akurasi yang tinggi untuk setiap langkah dari urutan ini, karena kesalahan menumpuk dan menguat pada setiap langkah. Otak juga menggunakan langkah-langkah berurutan dalam memproses informasi. Dalam contoh tenis, informasi mengalir dari mata ke otak, dan kemudian ke sumsum tulang belakang untuk mengendalikan kontraksi otot-otot kaki, batang tubuh, lengan, dan pergelangan tangan.
Tetapi otak juga menggunakan pemrosesan data paralel besar-besaran, mengambil keuntungan dari sejumlah besar neuron dan koneksi di antara mereka. Sebagai contoh, bola tenis yang bergerak mengaktifkan banyak sel retina, fotoreseptor, yang mengubah cahaya menjadi sinyal listrik. Sinyal-sinyal ini ditransmisikan ke berbagai jenis neuron retina. Pada saat sinyal fotoreseptor melewati dua atau tiga koneksi sinaptik di retina, informasi tentang posisi, arah dan kecepatan bola telah diekstraksi oleh sirkuit saraf paralel, dan ditransmisikan ke otak. Dengan cara yang sama, korteks motorik (bagian dari korteks serebral yang bertanggung jawab atas motilitas sadar) mengirimkan perintah secara paralel untuk mengontrol kontraksi otot-otot kaki, trunk, lengan dan pergelangan tangan, sehingga tubuh dan tangan secara bersamaan menempati posisi yang optimal untuk menerima bola.
Strategi paralel masif ini berfungsi karena setiap neuron mengumpulkan input dan mengirimkan output ke banyak neuron lainnya - rata-rata untuk mamalia, 1000 tautan masuk dan keluar per neuron. Dan setiap transistor secara total hanya memiliki tiga node untuk input dan output. Informasi dari satu neuron dapat berjalan secara paralel. Dan pada saat yang sama, banyak pemrosesan informasi neuron dapat menghubungkan data output mereka dengan mengirimkannya ke satu neuron berikutnya. Properti ini sangat berguna untuk meningkatkan akurasi pemrosesan informasi. Sebagai contoh, informasi yang diberikan oleh neuron tunggal mungkin mengandung noise (yaitu, akurasinya ada pada urutan 1 hingga 100). Mempersepsikan input dari 100 neuron yang memproses informasi yang sama, neuron berikutnya pada gilirannya sudah dapat memberikan informasi dengan akurasi yang lebih tinggi (dalam hal ini, 1 hingga 1000). Misalkan deviasi standar σ
media untuk setiap unit data input kira-kira sesuai dengan noise. Untuk jumlah rata-rata input independen n, penyimpangan yang diharapkan dari rata-rata σ
media = σ / √ n. Dalam contoh kita, σ = 0,01, dan n = 100, jadi σ
media = 0,001.
Komputer dan otak memiliki persamaan dan perbedaan juga dalam representasi unit dasar mereka. Transistor menggunakan representasi informasi digital dengan nilai diskrit (0 atau 1). Semburan akson juga merupakan sinyal digital, karena neuron kapan saja diaktifkan atau tidak diaktifkan, dan ketika diaktifkan, hampir semua semburan memiliki ukuran dan bentuk yang hampir sama. Properti ini memungkinkan transmisi semburan yang dapat diandalkan dari jarak jauh. Namun, neuron juga memanfaatkan kemampuan sinyal analog yang merepresentasikan informasi menggunakan nilai kontinu. Beberapa neuron (sebagian besar retina neuron) tidak menghasilkan semburan, dan outputnya ditransmisikan oleh sinyal listrik bertahap (yang, tidak seperti semburan, dapat bervariasi dalam besarnya), yang mampu mengirimkan lebih banyak informasi daripada semburan. Ujung penerima neuron (biasanya terletak di dendrit) juga menggunakan sinyal analog untuk mengintegrasikan hingga seribu sinyal input pada saat yang sama, yang memungkinkan dendrit untuk melakukan perhitungan yang kompleks.
Ciri nyata lain yang terlihat dari otak, yang jelas digunakan dalam contoh permainan tenis, adalah bahwa kekuatan koneksi antar neuron dapat diubah sebagai hasil dari tindakan dan pengalaman - proses ini, seperti yang dipertimbangkan oleh para ahli saraf, adalah dasar pembelajaran dan menghafal. Pelatihan berulang memungkinkan sirkuit saraf untuk lebih menyesuaikan dengan tugas, yang secara serius meningkatkan kecepatan dan akurasi.
Selama beberapa dekade terakhir, para insinyur telah terinspirasi oleh otak untuk meningkatkan komputer. Prinsip pemrosesan paralel dan modifikasi bobot ikatan, tergantung pada penggunaannya, dimasukkan dalam komputer modern. Misalnya, dalam pengembangan komputer, tren saat ini adalah peningkatan paralelisme, misalnya, penggunaan beberapa prosesor (core) dalam satu komputer. Contoh lain adalah pembelajaran yang mendalam, ilmu pembelajaran mesin dan kecerdasan buatan, yang telah mencapai kesuksesan luar biasa dalam beberapa tahun terakhir dan bertanggung jawab atas kemajuan cepat dalam mengenali objek dan ucapan di komputer dan perangkat seluler, terinspirasi oleh penemuan yang terkait dengan sistem visual mamalia.
2Pembelajaran mendalam, meniru sistem visual mamalia, menggunakan beberapa lapisan, yang masing-masing mewakili sifat yang semakin abstrak dari objek (visual atau ucapan), dan bobot ikatan antara lapisan yang berbeda disesuaikan menggunakan pelatihan, dan bukan karena upaya rekayasa. Kemajuan terbaru ini telah memperluas daftar tugas yang tunduk pada komputer. Namun, otak tetap memiliki fleksibilitas superior komputer, kemampuan generalisasi dan kemampuan belajar. Ketika ahli saraf menemukan semakin banyak rahasia otak (dibantu oleh meningkatnya penggunaan komputer), para insinyur akan dapat mengambil lebih banyak contoh untuk inspirasi dari otak untuk lebih meningkatkan arsitektur dan kinerja komputer. Siapa pun yang ternyata menjadi pemenang dalam tugas tertentu, inseminasi antardisiplin bersama ini tidak diragukan lagi akan memajukan baik neurobiologi dan teknologi komputer.
1. Patterson, DA & Hennessy, JL. Organisasi dan Desain Komputer (Elsevier, Amsterdam, 2012), edisi ke-4.
2. LeCun, Y. Bengio, Y., & Hinton, G. Pembelajaran yang mendalam. Nature 521, 436-444 (2015).
Likan Luo adalah seorang profesor di Sekolah Humaniora dan Ilmu Pengetahuan, dan seorang profesor ilmu saraf di Universitas Stanford.