Din hjärna klarar sig på 20 watt – kan datorer göra detsamma?

Just nu känner din hjärna igen formerna på de här bokstäverna, analyserar deras innebörd och håller ihop en pågående tankeström – allt med en effekt på omkring 20 watt. Det är ungefär vad som krävs för att driva en glödlampa.

Att återskapa ens en liten del av hjärnans förmågor med dagens AI kan däremot kräva enorm datorinfrastruktur och stora mängder energi.

Neuromorf databehandling – även kallad ”hjärninspirerad databehandling” – är ett försök att minska det gapet. Inte genom att göra dagens datorer lite effektivare, utan genom att i grunden tänka om kring hur de bör fungera.

Människans hjärna innehåller ungefär 86 miljarder nervceller, som är sammankopplade via kontaktpunkter som kallas synapser. En nervcell tar emot signaler från sina grannar. När den samlade effekten av signalerna passerar ett tröskelvärde avfyrar nervcellen en kort elektrisk puls, en så kallad spike.

Två saker gör denna process effektiv. För det första används energi bara där den behövs, i stället för överallt hela tiden. För det andra är minne och informationsbearbetning nära sammankopplade genom styrkan i synapsernas signalöverföring. Hjärnan behöver inte ta paus och hämta information någon annanstans, vilket sparar både tid och energi.

I ett vanligt datorchip är processorn och minnet däremot fysiskt åtskilda, vilket innebär att data måste överföras mellan dem vid varje beräkning. Detta kan stå för en betydande del av energianvändningen och brukar kallas von Neumann-flaskhalsen, ett begrepp som den amerikanske datavetaren John Backus introducerade 1978 för att beskriva denna ineffektivitet i datorer.

Neuromorf databehandling angriper denna ineffektivitet på flera sätt: genom att föra minne och bearbetning närmare varandra, genom att använda ”glesa representationer” – datamodeller där de flesta värden är noll – och genom att bara utföra beräkningar när något faktiskt händer.

Detta kallas händelsestyrd databehandling, och vi ser redan flera spännande tillämpningar.

Händelsekameror är sensorer som modellerats efter människans näthinna. Deras pixlar reagerar individuellt och endast när de registrerar en förändring i bilden – i stället för att fånga en hel bildruta dussintals gånger i sekunden, som en mobilkamera eller videokamera.

Resultatet är en neuromorf sensor som bara använder en bråkdel av energin, kan registrera snabba rörelser utan rörelseoskärpa och fungerar lika bra i starkt solljus som i nästan totalt mörker.

I självkörande fordon kan kombinationen av låg fördröjning och tillförlitlig funktion i bländande ljus eller mörker avgöra om en fotgängare upptäcks i tid eller inte. Och i rymden, där tillgången på energi är begränsad och extrema ljusförhållanden är vanliga, har händelsekameror redan börjat användas för att spåra föremål och rymdskrot.

Det kan vara frestande att fråga sig om neuromorf hårdvara skulle kunna göra för datorer vad Nvidias grafikprocessorer, GPU, har gjort för AI. Men det handlar i grunden om två olika typer av chip.

Nvidias grafikprocessorer är exceptionellt bra på de omfattande och upprepade matematiska beräkningar som ligger bakom djupinlärning, vilket har gjort dem till standardvalet för nästan alla AI-uppgifter. Neuromorf databehandling bygger däremot på ett händelsestyrt arbetssätt som sannolikt kommer att ge upphov till en mängd specialiserade chip, snarare än en enda dominerande konstruktion som alla börjar använda samtidigt.

Australiska Brainchip säljer redan en kommersiell neuromorf processor för kameror och sensorer som måste fungera med mycket låg energiförbrukning. Neuromorf hårdvara kommer sannolikt att användas sida vid sida med konventionella processorer och GPU snarare än att ersätta dem, och ta hand om de uppgifter där dess effektivitetsfördel är avgörande.

Men neuromorf datorteknik har ytterligare en fördel utöver energibesparingen.

Eftersom neuromorfa chip kan bearbeta data där de skapas kan känslig information från kroppsburen teknik, smarta kameror och medicinska sensorer stanna kvar i enheten i stället för att skickas till molnet. Det kan minska de integritets- och cybersäkerhetsrisker som är förknippade med dataöverföring.

Enheter kan också fungera utan internetuppkoppling, utan att behöva skicka data till en avlägsen server och vänta på svar. Att slippa den turen fram och tillbaka är viktigt överallt där beslut måste fattas på bråkdelar av en sekund, till exempel i självkörande fordon, drönare och robotar som arbetar på platser där uppkopplingen är opålitlig.

Det här kommer inte att göra datacenter överflödiga. Men i framtiden kan färre uppgifter behöva utföras där, och de som återstår skulle kunna bli dramatiskt mycket effektivare. IBM har redan visat att företagets TrueNorth-chip kan förbruka upp till 10 000 gånger mindre energi än konventionella datorarkitekturer vid händelsestyrda beräkningar.

Datortekniken har genomgått en liknande omvandling tidigare. De första datorerna fyllde hela rum och förbrukade lika mycket energi som en liten fabrik. I dag har ett chip som är mindre än en fingernagel större beräkningskapacitet än dessa enorma datorer.

Neuromorf databehandling öppnar för möjligheten till en liknande omvandling – mindre driven av att pressa in fler transistorer, de mikroskopiska strömbrytare som bygger upp ett chips kretsar, och mer av att i grunden tänka om kring hur datorer ska fungera.

Men för att omvandla denna potential till vardaglig infrastruktur krävs långsiktiga insatser. Vid Neuroware, Storbritanniens ledande innovationscentrum där flera universitet samarbetar kring neuromorf databehandling, har jag lett arbetet med att ta fram en brittisk färdplan för tekniken fram till 2050, tillsammans med kollegor inom akademi, näringsliv och myndigheter.

Den globala marknaden för neuromorf teknik förutspås nästan fyrdubblas till 20 miljarder amerikanska dollar (14,8 miljarder brittiska pund) fram till 2030. Storbritannien behöver därför öppet tillgängliga anläggningar där nya chip kan utvecklas och testas, samordnade investeringar, gemensamma standarder och personal med kompetens som överbryggar neurovetenskap, elektronik och datavetenskap.

Grunden finns redan. Det som saknas är infrastrukturen som kan ta neuromorf databehandling från superdatorer som University of Manchesters hjärnsimulator Spinnaker till de miljarder vanliga apparater som en dag själva skulle kunna använda hjärninspirerad hårdvara.

Din hjärna löste det här problemet för miljontals år sedan. Det har tagit vetenskapen lång tid att inse hur väl den faktiskt fungerar.

Den här artikeln är återpublicerad från The Conversation. Här kan du läsa den engelska originalartikeln.