Mối lo ngại về mức tiêu thụ năng lượng khổng lồ của các trung tâm dữ liệu AI có thể sớm được giải quyết nhờ một nghiên cứu mang tính đột phá từ Viện Công nghệ Massachusetts (MIT). Trong bài báo khoa học công bố ngày hôm nay, nhóm nghiên cứu đã giới thiệu một thuật toán huấn luyện mạng nơ-ron hoàn toàn mới lấy cảm hứng từ cách bộ não con người học hỏi, loại bỏ hoàn toàn cơ chế lan truyền ngược (backpropagation) vốn cực kỳ tốn tài nguyên.
Thuật toán mới, được đặt tên là 'Biologically-Plausible Feedback Alignment' (BPFA), cho phép các lớp trong mạng nơ-ron tự cập nhật trọng số một cách độc lập thay vì phải chờ đợi tín hiệu phản hồi truyền ngược từ lớp cuối cùng về lớp đầu tiên. Sự thay đổi mang tính nền tảng này giúp giảm thiểu tối đa các phép tính ma trận phức tạp, từ đó cắt giảm lượng điện năng tiêu thụ của chip tăng tốc AI xuống mức tối thiểu.
Trong các thử nghiệm thực tế trên tập dữ liệu ImageNet, thuật toán BPFA đạt độ chính xác tương đương với các phương pháp truyền thống nhưng chỉ tiêu thụ bằng 1/10 lượng điện năng. Điều này mở ra cơ hội lớn cho việc huấn luyện các mô hình AI trực tiếp trên các thiết bị biên (edge devices) như điện thoại di động, thiết bị đeo thông minh hay cảm biến IoT mà không làm cạn kiệt pin.
Nghiên cứu này được kỳ vọng sẽ định hình lại ngành công nghiệp bán dẫn và thiết kế chip AI trong những năm tới. Thay vì chạy đua tăng số lượng bóng bán dẫn và điện năng tiêu thụ, các nhà sản xuất giờ đây có thể tập trung vào việc tối ưu hóa kiến trúc phần cứng để tương thích với thuật toán tiết kiệm năng lượng mới, hướng tới một tương lai AI bền vững và thân thiện với môi trường hơn.