Vấn đề tiêu thụ năng lượng của các trung tâm dữ liệu AI đang là bài toán đau đầu của toàn cầu. Tuy nhiên, một nghiên cứu mang tính bước ngoặt vừa được công bố trên tạp chí Nature bởi các nhà khoa học Google DeepMind có thể sẽ thay đổi hoàn toàn cục diện này. Nghiên cứu giới thiệu một thuật toán huấn luyện mới mang tên 'Forward-Forward Neuromorphic Learning' (FFNL), loại bỏ hoàn toàn bước lan truyền ngược (backpropagation) vốn cực kỳ ngốn phần cứng.
Trong các mô hình học máy truyền thống, việc tính toán đạo hàm ngược để cập nhật trọng số mạng nơ-ron đòi hỏi lượng tài nguyên tính toán khổng lồ và liên tục. Thuật toán FFNL mới hoạt động bằng cách xử lý dữ liệu theo hai luồng tiến song song, mô phỏng gần hơn cách thức hoạt động sinh học của não người. Phương pháp này cho phép các lớp nơ-ron tự cập nhật trạng thái cục bộ mà không cần chờ đợi phản hồi từ toàn bộ mạng lưới.
Kết quả thử nghiệm thực tế cho thấy, mô hình được huấn luyện bằng FFNL đạt độ chính xác tương đương với các phương pháp truyền thống nhưng lượng điện năng tiêu thụ trong quá trình huấn luyện giảm tới 90%. Đây được coi là một 'chén thánh' mới cho ngành công nghiệp bán dẫn và điện toán đám mây, giúp giảm thiểu đáng kể lượng khí thải carbon từ các siêu máy tính AI.
Nghiên cứu này không chỉ có ý nghĩa về mặt môi trường mà còn mở đường cho việc tích hợp trực tiếp khả năng tự học hỏi vào các thiết bị IoT nhỏ gọn, robot thông minh và điện thoại di động mà không lo ngại về vấn đề cạn kiệt pin.