Fin dagli albori dell’informatica, il cervello umano è stato utilizzato come modello per costruire macchine intelligenti, tanto che una volta si parlava dei computer come di “cervelli elettronici”.
Oggi i computer, come sappiamo, possono emulare in modo sorprendente alcune funzionalità del cervello umano, ma la strada da fare per eguagliare quest’ultimo è ancora molto lunga. Inoltre, i computer consumano moltissima energia: in termini di efficienza energetica, il nostro cervello consuma infatti appena un quarto della potenza di un supercomputer.
L’impatto dell’intelligenza artificiale sui consumi energetici
Già il paradosso di Janson (1865) asseriva che più una tecnologia diventa efficiente e maggiore risulta il suo consumo energetico, con le conseguenze che ne derivano: si stima, ad esempio, che nel 2030 il 30% delle emissioni di CO2 saranno imputabili all’intelligenza artificiale e ai datacenter per essa necessari (Fonte: IEEE Spectrum 2019 e Nature 2020).
È inoltre bene ricordare che addestrare un singolo modello di AI emette la stessa quantità di CO2 prodotta da cinque automobili durante tutto il loro ciclo di vita (Fonte: Emma Strubel, et al. “Energy and Policy considerations for Deep Learning in NLP” in 57th ACL 2019).
Un paradigma emergente per l’AI: la computazione iperdimensionale
L’HDC (Hyperdimensional Computing) è un paradigma computazionale emergente che imita attributi del cervello umano come l´iperdimensionalitá, la rappresentazione olografica e la (pseudo)casualità.
L’essenza dell’HDC consiste nel fatto che aspetti chiave della memoria, della percezione e della cognizione umana possono essere spiegati dalle proprietà matematiche di spazi iperdimensionali composti da vettori iperdimensionali (o ipervettori).
HDC modella i pattern di attività neurale dei circuiti cerebrali, operando attraverso un’algebra che definisce regole per costruire, legare e raggruppare diversi ipervettori D-dimensionali (pseudo)casuali con componenti indipendenti e identicamente distribuite, nonché rappresentazioni olografiche.
In un tale framework computazionale, gli ipervettori che rappresentano diverse entità simboliche possono essere combinati in nuovi ipervettori unici per creare rappresentazioni di entità composite utilizzando operazioni, ben definite, sullo spazio vettoriale.
Queste composizioni vettoriali creano un potente sistema di elaborazione che può essere utilizzato per eseguire, oltre ai compiti classici, compiti cognitivi sofisticati come il rilevamento di oggetti, il riconoscimento del linguaggio e degli oggetti, la classificazione vocale e video, l'analisi di serie temporali, la categorizzazione del testo e il ragionamento analitico.
I vantaggi dell'elaborazione con ipervettori
L'elaborazione con ipervettori offre numerosi vantaggi: gli algoritmi di addestramento in un'architettura HDC sono infatti trasparenti, più rapidi ed efficienti, poiché le categorie di oggetti vengono apprese in un'unica sessione di addestramento a partire dai dati disponibili.
Questo supera altri approcci basati sul cervello, come le reti neurali, che richiedono invece un gran numero di iterazioni per l'addestramento.
Inoltre, HDC è incentrato sulla memoria (in-memory), cioè prevede l’esecuzione di operazioni in parallelo, ed è estremamente robusto contro rumore, variazioni o presenza di eventuali componenti difettosi nella piattaforma informatica.
Tutte queste caratteristiche rendono l'HDC particolarmente adatto per paradigmi di calcolo emergenti non basati su von Neumann, come l'in-memory computing, in cui le caratteristiche fisiche dei dispositivi di memoria su scala nanometrica vengono sfruttate per eseguire calcoli direttamente in loco (Edge).
Il limite di tutto questo è che non abbiamo ancora bisogno di un processore HDC efficiente in grado di supportarlo pienamente.
Un nuovo chip per la computazione iperdimensionale
Diverse sperimentazioni sono tuttavia in corso e il gruppo di ricerca della Technische Universität di Monaco di Baviera (TUM), ha recentemente progettato un chip, denominato AI Pro, per combinare memoria e unità di elaborazione in un'architettura HDC.
Sviluppato da Hussam Amrouch, PhD, professore di progettazione di processori per l'intelligenza artificiale, il chip, che misura appena un millimetro quadrato, imita il modo in cui il cervello umano elabora le informazioni, consentendogli di apprendere e funzionare in modo indipendente, il tutto consumando fino a dieci volte meno energia rispetto ai chip di intelligenza artificiale convenzionali.
Già in fase di prototipo e prodotto da Global Foundries di Dresda, il chip contiene circa 10 milioni di transistor.
Per quanto questo possa sembrare riduttivo rispetto ai 200 miliardi di transistor integrati nei processori per AI, ad alte prestazioni, di NVIDIA, il chip offre tuttavia la completa riservatezza dei dati, un'eccezionale efficienza energetica e una vera e propria intelligenza integrata nel dispositivo.
Il chip impara individuando somiglianze e schemi, non elaborando grandi quantità di dati. Pertanto, anziché avere necessità di apprendere da innumerevoli immagini di auto, il chip comprende un'auto associandola a caratteristiche come le quattro ruote, l'uso stradale e le forme tipiche.
Vantaggi e applicazioni all’Edge
Secondo Amrouch, ciò che rende il nuovo chip davvero unico è che, proprio come gli esseri umani, trae inferenze e apprende riconoscendo le somiglianze. Ciò significa che può prendere decisioni intelligenti senza i numerosi dati di addestramento necessari alla maggior parte dei sistemi di intelligenza artificiale.
Inoltre, il pensiero simile a quello del cervello umano offre un importante vantaggio in quanto consuma molta meno energia. Durante un test, l'AI Pro ha consumato solo 24 microjoule, mentre i chip concorrenti ne consumavano da 10 a 100 volte di più.
AI Pro è progettato per applicazioni specifiche. La sua architettura integra strettamente memoria e unità di elaborazione, consentendo un processo decisionale in tempo reale direttamente all’Edge, dove è in grado di garantire ridotta latenza e privacy dei dati.
Questa efficienza rende il chip ideale per applicazioni come:
- Elaborazione di dati sanitari da dispositivi indossabili senza inviare informazioni sensibili al cloud
- Sistemi di navigazione per droni che possono funzionare senza connettività Internet
- Dispositivi IoT che devono prendere decisioni intelligenti con un consumo energetico minimo
- Edge computing in ambienti in cui l'accesso a Internet è inaffidabile o non disponibile
Con la continua integrazione dell'intelligenza artificiale in sempre più aspetti della vita quotidiana, chip come AI Pro rappresentano un potenziale cambiamento nel nostro approccio all'intelligenza artificiale, passando da sistemi centralizzati basati su cloud a dispositivi distribuiti ed efficienti dal punto di vista energetico che mantengono i dati locali e sicuri, con la possibilità sempre maggiore di prendere decisioni intelligenti ai margini della rete.