A startup francesa LightOn está atualmente trabalhando no desenvolvimento de tecnologias movidas a luz. Crédito:Dmitriy Rybin / Shutterstock
Estamos testemunhando a adoção acelerada de inteligência artificial (IA), que tem o potencial de se traduzir em uma variedade de mudanças sociais, incluindo melhorias para a economia, melhores condições de vida, acesso mais fácil à educação, bem estar, e entretenimento. Um futuro tão esperado, Contudo, está contaminado com questões relacionadas à privacidade, explicabilidade, prestação de contas, para nomear alguns, que constituem uma ameaça para a adoção tranquila de IA, e que estão no centro de vários debates na mídia.
Um aspecto talvez mais preocupante está relacionado ao fato de que as tecnologias atuais de IA são completamente insustentáveis, e a menos que ajamos rapidamente, este se tornará o maior obstáculo para a ampla adoção da inteligência artificial na sociedade.
AI e aprendizado de máquina bayesiano
Mas antes de mergulhar nas questões de sustentabilidade da IA, o que é IA? A IA visa construir agentes artificiais capazes de sentir e raciocinar sobre seu ambiente, e, finalmente, aprender interagindo com ele. O aprendizado de máquina (ML) é um componente essencial da IA, o que permite estabelecer correlações e relações causais entre variáveis de interesse a partir de dados e conhecimento prévio dos processos que caracterizam o ambiente do agente.
Por exemplo, nas ciências da vida, ML pode ser útil para determinar a relação entre o volume de massa cinzenta e a progressão da doença de Alzheimer, enquanto nas ciências ambientais pode ser útil estimar o efeito do CO 2 emissões no clima. Um aspecto importante de algumas técnicas de ML, em particular Bayesian ML, é a possibilidade de fazer isso por conta da incerteza devido à falta de conhecimento do sistema, ou o fato de que uma quantidade finita de dados está disponível.
Essa incerteza é de fundamental importância na tomada de decisão quando o custo associado a diferentes resultados é desequilibrado. Alguns exemplos de domínios onde a IA pode ser de grande ajuda incluem uma variedade de cenários médicos (por exemplo, diagnóstico, prognóstico, tratamento personalizado), ciências ambientais (por exemplo, clima, terremoto / tsunami), e formulação de políticas (por exemplo, tráfego, combate à desigualdade social).
Crédito:MIT Technology Review Fonte:Strubell et al.
IA insustentável
Avanços espetaculares recentes em ML contribuíram para um aumento sem precedentes de interesse em IA, o que gerou enormes quantias de financiamento privado para o domínio (Google, Facebook, Amazonas, Microsoft, OpenAI). Tudo isso está impulsionando a pesquisa no campo, mas está de alguma forma desconsiderando seu impacto sobre o meio ambiente. O consumo de energia dos dispositivos de computação atuais está crescendo em um ritmo descontrolado. Estima-se que nos próximos dez anos o consumo de energia dos dispositivos de computação chegará a 60% da quantidade total de energia que será produzida, e isso se tornará completamente insustentável em 2040.
Estudos recentes mostram que a indústria de TIC hoje está gerando cerca de 2% das emissões globais de CO₂, comparável à indústria de aviação mundial, mas a curva de crescimento acentuada prevista para emissões baseadas em TIC é verdadeiramente alarmante e ultrapassa de longe a aviação. Como o ML e a IA são disciplinas de TIC em rápido crescimento, esta é uma perspectiva preocupante. Estudos recentes mostram que a pegada de carbono do treinamento de um famoso modelo de ML, chamado codificador automático, pode poluir até cinco carros em sua vida.
Se, a fim de criar melhores condições de vida e melhorar nossa estimativa de risco, estamos impactando o meio ambiente de forma ampla, estamos fadados ao fracasso. O que podemos fazer para mudar isso radicalmente?
Que haja luz
Soluções baseadas em transistores para este problema estão começando a aparecer. O Google desenvolveu a Tensor Processing Unit (TPU) e a disponibilizou em 2018. TPUs oferecem consumo de energia muito menor do que GPUs e CPUs por unidade de computação. Mas podemos romper com a tecnologia baseada em transistores para computação com menor potência e talvez mais rápida? A resposta é sim! Nos últimos anos, tem havido tentativas de explorar a luz para cálculos rápidos e de baixo consumo de energia. Essas soluções são um tanto rígidas no design do hardware e são adequadas para modelos de ML específicos, por exemplo., redes neurais.
Interessantemente, A França está na vanguarda nisso, com o desenvolvimento de hardware de financiamento privado e financiamento nacional para pesquisa para tornar esta revolução uma possibilidade concreta. A empresa francesa LightOn desenvolveu recentemente um novo dispositivo baseado em ótica, que eles chamaram de Unidade de Processamento Óptico (OPU).
Na prática, OPUs realizam uma operação específica, que é uma transformação linear de vetores de entrada seguida por uma transformação não linear. Interessantemente, isso é feito em hardware que explora as propriedades de espalhamento de luz, de forma que na prática esses cálculos acontecem na velocidade da luz e com baixo consumo de energia. Além disso, é possível lidar com matrizes muito grandes (na ordem de milhões de linhas e colunas), o que seria um desafio com CPUs e GPUs. Devido à dispersão da luz, esta transformação linear é o equivalente a uma projeção aleatória, por exemplo. a transformação dos dados de entrada por uma série de números aleatórios cuja distribuição pode ser caracterizada. As projeções aleatórias são úteis? Surpreendentemente, sim! Uma prova de conceito de que isso pode ser útil para dimensionar cálculos para alguns modelos de ML (máquinas de kernel, que são alternativas às redes neurais) foi relatado aqui. Outros modelos de ML também podem aproveitar projeções aleatórias para predição ou detecção de ponto de mudança em séries temporais.
Acreditamos que esta é uma direção notável para tornar o ML moderno escalonável e sustentável. O maior desafio para o futuro, Contudo, é como repensar o design e a implementação de modelos de ML Bayesianos de forma a poder explorar os cálculos que as OPUs oferecem. Só agora estamos começando a desenvolver a metodologia necessária para tirar o máximo proveito desse hardware para ML Bayesiano. Recentemente, recebi uma bolsa francesa para fazer isso acontecer.
É fascinante como a luz e a aleatoriedade não são apenas onipresentes na natureza, eles também são matematicamente úteis para realizar cálculos que podem resolver problemas reais.
Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.