Kunstig intelligens (KI) trenger ikke å bruke så mye energi som den gjør i dag, dersom Sønsteby klarer å realisere prosjektet han nettopp har fått penger til fra Det europeiske forskningsrådet.
Det finnes materialer med egenskaper dagens KI-utviklere sikler på. Problemet er at det ikke finnes noen teknikk for å lage materialene på en måte som gjør det mulig å produsere i industriell skala. Det vil Sønsteby, som er førsteamanuensis i uorganisk materialkjemi ved Universitetet i Oslo, endre på.
– Teknikken vi skal bruke, har vi jobbet med i gruppa i over 20 år, og den blir allerede brukt i IT-industrien, sier Sønsteby.
Teknikken heter ALD, som står for Atomic Layer Deposition, eller atomlagsavsetting. Dette går enkelt ut på å lage tynne sjikt av materialer atomlag for atomlag. På denne måten har forskerne ekstremt god kontroll over strukturen i materialet.
– Dersom vi klarer å finne en metode å lage disse nye materialene på, vil en helt ny type kunstig intelligens bli en realitet, sier Sønsteby.
I prosjektet samarbeider han med alle ledd som er involvert i utviklingen av en datamaskin – fra materialforskere til industrien selv. I Sønstebys prosjekt samarbeider han med IBM om å ta i bruk teknologi basert på de nye materialene. Ettersom EU finansierer denne forskningen, blir resultatene tilgjengelige for alle. Det betyr også at andre bedrifter som ønsker det, vil kunne ta teknikken og materialene i bruk.
Egenskapene KI-skaperne sikler på
– Et av de største problemene med KI er at det koster så mye energi å bruke det, sier Sønsteby.
Materialene han skal lage, bruker svært lite energi sammenlignet med dagens teknologi – på grunn av egenskaper ved selve materialet. I motsetning til dagens KI-systemer kan hver enkelt «node» med det nye materialet huske hva den er. Enhetene, eller nodene, i dagens KI må ha strøm kontinuerlig for å huske.
En annen grunn til at det nye materialet er energimessig gunstig, er at det ikke trenger å trenes på like store datasett. Da kan man spare mye energi i selve treningsprosessen.
– En av tingene KI brukes til, er bildegjenkjenning. Da brukes en teknikk som kalles veiledet læring. Det betyr at den kunstige intelligensen gis et gitt antall bilder av for eksempel katter, og så noe som ikke er katter. Deretter blir den bedt om å sortere ut kattebildene. Da må den også få informasjon om når den har rett, eller tar feil, forklarer Sønsteby.
Har superhukommelse
Den vanligste metoden for dagens KI er veiledet læring, men en annen måte å lære på kan spare mye strøm:
– Et alternativ til veiledet læring er ikke-veiledet. Det fungerer ved at du gir den kunstige intelligensen en stor mengde data og ber den finne trender, eller sortere. Problemet er at selv om den kan løse det, vet vi ikke hvordan eller hvorfor den har sortert som den har gjort. Det gjør at vi kan se mønstre i dataene som vi ikke har sett før, men vi har også en jobb å gjøre for å finne ut hva den sorterer etter. Fordi det er pakket inn i selve materialet, og ikke i algoritmen, er det utfordrende å finne ut etterpå, sier Sønsteby.
Det nye materialet kan huske noe etter bare én innlæring. Det sparer mye strøm:
– En fordel med slike materialer er at de ikke trenger mye repetisjon. De kan i prinsippet preges etter ett eksempel. I praksis vil det nok likevel være slik at tendensene forsterkes med flere repetisjoner, også for denne typen KI, sier Sønsteby.
I selvkjørende biler
– Se for deg en bil som bruker kunstig intelligens for å være selvkjørende og ta bevisste valg i trafikken. Det går ikke med dagens energikrevende KI, sier Sønsteby.
Materialet Sønsteby forsker på, kan brukes på en litt annen måte: Avgjørelsene som blir tatt, trenger nemlig ikke være tatt i et sentralt system. Med dagens KI vil en beslutning om å stoppe eller ikke når det står en katt i veien, bli tatt sentralt i systemet. Det nye materialet kan «handle» uten å være innom en sentral enhet. Det sparer tid og energi.
– Dette kalles for edge computing. Det betyr at valgene og beregningene gjøres samme sted. I dagens maskiner er valgene sentralisert, forklarer Sønsteby. –Vi kan tenke oss at denne typen materialer vil kunne brukes i selvkjørende biler og at de kan kjenne igjen en situasjon raskt nok til å kunne reagere momentant.
Mindre forutinntatt KI
En utfordring med dagens KI er at datamaterialet den trenes på, velges ut av mennesker. Det kan bidra til at det følger med forutinntatte holdninger. Bildegeneratorer har blitt beskyldt for å være rasistiske. Når KI ikke trenger å læres opp på denne måten, kan den gi oss andre former for innsikt:
– Det kan være viktig i for eksempel bildediagnostikk i medisin. Den vil kunne gi oss grupperinger eller sortering som vi ikke har forstått tidligere, sier Sønsteby.
Utfordringen er som tidligere nevnt at det kan være vanskelig å vite hva den sorterer etter, men det mener Sønsteby at det vil finnes mulige løsninger på. Han påpeker at det uansett vil være nyttig å få innsikt i ulike måter å sortere eller diagnostisere på.
Bedre personvern
– Et annet bruksområde er overvåkning med persongjengkjenning. Dette er en forbedring fra dagens system, hvor absolutt alle objektene lagres på overvåkning. I et system med det nye materialet kan overvåkningen preges av ansiktene til ettersøkte personer. Alle ansiktene skannes, men ingen utenom de som er preget i systemet, vil bli lagret, sier Sønsteby.
Slik vil persongjenkjenningen kunne bli mer effektiv, samtidig som personvernet for alle blir bedre. En fordel er at ingen trenger å følge med på filmen eller overvåkningen. Dette vil derfor kunne være mer effektiv bruk av tid.
Materialet er giftfritt og består av vanlige grunnstoffer.
Akkurat hva materialene består av, kan ikke Sønsteby avsløre ennå, men noe kan han si:
– Materialene er satt sammen av grunnstoffer som er vanlige og som det allerede utvinnes mye av til industrielle prosesser. Ingen av grunnstoffene er giftige eller farlige, og de er tilgjengelige i hele verden. Derfor vil det trolig ikke bli så kostbart, heller. ALD er en teknikk som ikke krever høy energi, så det vil ikke bli energimessig utfordrende å lage det, sier Sønsteby.
Artikkelen ble først publisert på Titan.uio.no
