Di luar AI Saat Ini

Pendekatan algoritmik baru meniru interaksi di otak manusia dengan dunia.

Kapabilitas baru dalam kecerdasan artifisial yang didorong oleh Intel Labs memiliki lebih banyak kemiripan dengan kecerdasan manusia daripada logika komputer konvensional.

Apa yang Dimaksud Dengan Komputasi Neuromorfik
Generasi pertama dari AI berbasis aturan dan meniru logika klasik untuk menarik kesimpulan logis dalam domain masalah yang spesifik dan didefinisikan secara sempit. Ini sangat sesuai untuk memantau proses dan meningkatkan efisiensi, misalnya. Generasi kedua yang ada saat ini sangat berhubungan dengan sensor dan persepsi, misalnya menggunakan jaringan pembelajaran mendalam untuk menganalisis isi frame video.

Generasi berikutnya yang akan datang akan memperluas AI ke area yang setara dengan kecerdasan manusia, seperti penafsiran dan adaptasi otonom. Ini sangat penting untuk mengatasi apa yang disebut “kerapuhan” dari solusi AI yang berbasis pada pelatihan jaringan saraf dan inferensi, yang tergantung pada sudut pandang peristiwa yang literal dan menentukan, yang kekurangan konteks dan pemahaman logika. Generasi AI berikutnya harus bisa menangani situasi dan abstraksi baru untuk mengotomatiskan aktivitas manusia biasa.

Intel Labs mendorong penelitian ilmu komputer yang berkontribusi pada generasi AI ketiga ini. Fokus utama meliputi komputasi neuromorfik, yang meliputi mengemulasi struktur saraf dan operasi otak manusia, serta komputasi probabilistik, yang menciptakan pendekatan algoritmik untuk menangani ketidakpastian, ambiguitas, dan kontradiksi di dalam dunia alami.

Fokus Penelitian Komputasi Neuromorfik
Tantangan utama dalam penelitian neuromorfik adalah mencocokkan fleksibilitas manusia, dan kemampuan untuk belajar dari stimulus tidak terstruktur dengan efisiensi energi otak manusia. Blok bangunan komputasional dalam sistem komputasi neuromorfik secara logis analog dengan neuron. Spiking neural network (SNN) adalah model baru untuk mengatur elemen tersebut untuk mengemulasi jaringan syarat alami yang ada dalam otak biologi.

Setiap “neuron” dalam SNN dapat menyala masing-masing, dan saat melakukannya, neuron mengirim sinyal denyut dalam jaringan yang secara langsung mengubah status elektrik neuron tersebut. Dengan mengodekan informasi dalam sinyal sendiri dan waktunya, SNN menyimulasikan proses pembelajaran alami dengan memetakan kembali secara dinamis sinapsis antara neuron buatan dalam menanggapi rangsangan.

Memproduksi Landasan Silikon untuk Komputasi yang Terinspirasi Otak
Untuk menyediakan sistem fungsional bagi para peneliti untuk menerapkan SNN, Intel Labs merancang Loihi, chip pengujian neuromorfik pembelajaran mandiri generasi kelimanya, yang diperkenalkan pada november 2017. Desain 128 inti ini didasarkan pada arsitektur khusus yang dioptimalkan untuk algoritme SNN dan difabrikasi pada teknologi proses 14nm. Loihi mendukung operasi SNN yang tidak perlu dilatih dalam cara konvensional dari sebuah jaringan saraf konvolusional, misalnya. Jaringan ini juga menjadi lebih mampu (“lebih cerdas”) dari waktu ke waktu.

Chip Loihi mencakup total 130.000 neuron, yang masing-masing dapat berkomunikasi dengan ribuan neuron lain. Para pengembang dapat mengakses dan memanipulasi sumber daya yang ada pada chip secara terprogram dengan menggunakan mesin pembelajaran yang tertanam dalam masing-masing dari 128 inti tersebut. Karena perangkat keras dioptimalkan khusus untuk SNN, maka mendukung akselerasi pembelajaran secara dramatis dalam lingkungan yang tidak terstruktur untuk sistem yang memerlukan operasi otonom dan pembelajaran berkelanjutan, dengan konsumsi daya amat rendah, serta performa dan kapasitas tinggi.

Intel Labs berkomitmen untuk mendukung komunitas penelitian secara luas dengan akses ke sistem pengujian berbasis Loihi. Karena teknologi yang masih dalam tahap penelitian (belum dalam tahap produksi), hanya ada sejumlah terbatas sistem pengujian berbasis Loihi; untuk memperluas akses, Lab Intel telah mengembangkan sebuah platform berbasis cloud untuk akses komunitas penelitian ke infrastruktur berbasis Loihi yang dapat diskalakan.

Chip penelitian neuromorfik pembelajaran mandiri Intel Corporation, diberi nama kode "Loihi". (Kredit: Intel Corporation)

Memajukan Komputasi Neuromorfik sebagai Tantangan Lintas Disiplin
Komputasi Neuromorfik dikembangkan pada persimpangan berbagai disiplin penelitian, termasuk antara lain neurosains komputasional, pembelajaran mesin, mikroelektronik, dan arsitektur komputer. Intel Labs telah mendirikan Intel Neuromorphic Research Community, sebuah upaya penelitian kolaboratif yang menyatukan entitas akademis, pemerintah, dan industri untuk bekerja pada arsitektur, peralatan, dan pendekatan yang saling melengkapi, yang memungkinkan penggunaan komputer neuromorfik secara keseluruhan.

Komunitas ini bekerja untuk mengabstraksi prinsip neurosains dan menyesuaikannya ke teknologi komputasional praktis. Misalnya, menghasilkan algoritme SNN yang lebih canggih merupakan bidang fokus utama, termasuk pengembangan model dan alat pemrograman. Dalam keadaan tertentu, ini mendorong eksperimentasi dan pengembangan dengan chip penelitian Loihi, termasuk penerapan untuk mengatasi masalah di dunia nyata dan mekanisme untuk antarmuka sistem berbasis SNN dengan sistem data dan komputasi eksternal.

Anggota komunitas menyetujui pendekatan terbuka dan kolaboratif di mana mereka akan berbagi hasil-hasil penelitian mereka. Intel Labs memfasilitasi beberapa kegiatan penelitian dalam komunitas melalui pendanaan dan akses ke sistem pengembangan Loihi.

Fokus Penelitian Komputasi Probabilistik
Ketidakpastian dan gangguan mendasar yang dimodulasikan ke dalam data alami merupakan tantangan utama dalam kemajuan AI. Algoritme harus beradaptasi dengan tugas berdasarkan data alami, yang dikelola oleh manusia secara intuitif, tetapi sistem komputer mengalami kesulitan.

Memiliki kemampuan untuk memahami dan berkomputasi dengan ketidakpastian akan memungkinkan aplikasi cerdas dalam beragam domain AI. Misalnya, dalam pencitraan medis, berdasarkan ukuran ketidakpastian, seseorang dapat memprioritaskan gambar mana yang perlu dilihat dan ditampilkan oleh ahli radiologi pada wilayah gambar yang disorot dengan ketidakpastian rendah. Dalam kasus asisten cerdas di rumah, agen dapat berinteraksi dengan pengguna dengan mengajukan pertanyaan yang jelas untuk semakin memahami permintaan jika ada ketidakpastian tinggi dalam maksud pengenalan.

Dalam domain kendaraan otonom, sistem yang mempiloti mobil otonom memiliki banyak tugas yang sangat cocok untuk komputasi konvensional, seperti menavigasi sepanjang rute GPS dan mengontrol kecepatan. Status AI saat ini memungkinkan sistem AI untuk mengenali dan merespons sesuai kondisi sekitar mereka, seperti menghindari benturan dengan pejalan kaki yang tidak terduga.

Meski demikian, untuk memajukan kemampuan tersebut menjadi berkendara yang sepenuhnya otonom, algoritme harus memadukan jenis keahlian yang dikembangkan oleh manusia sebagai pengemudi yang berpengalaman. Sejumlah sensor seperti GPS, kamera, dll. menunjukkan ketidakpastian dalam perkiraan posisinya. Bola yang dimainkan anak-anak di lapangan terdekat juga bisa bergerak ke jalanan dan salah seorang anak mungkin memutuskan untuk mengejarnya. Sangat bijaksana jika Anda mewaspadai pengemudi yang agresif di jalur berikutnya. Dalam siklus persepsi dan respons ini, input dan output membawa tingkat ketidakpastian. Pengambilan keputusan dalam skenario tersebut tergantung pada persepsi dan pemahaman tentang lingkungan untuk memprediksi peristiwa di masa mendatang guna menentukan tindakan yang benar. Persepsi dan pemahaman tugas harus memperhatikan ketidakpastian yang terkait dengan tugas tersebut.

Mengelola dan Memodelkan Ketidakpastian
Komputasi probabilistik secara umum mengatasi masalah yang berhadapan dengan ketidakpastian, yang terkait erat dengan data alami. Ketidakpastian memiliki dua peran utama dalam sistem AI:

  • Ketidakpastian dalam persepsi dan pengenalan data alami. Skor yang berkontribusi meliputi ketidakpastian input yang timbul dari sensor perangkat keras dan lingkungan, serta ketidakpastian model pengenalan karena perbedaan dalam data latihan dan data yang sedang dikenali.
  • Ketidakpastian dalam menyatakan dan memprediksi peristiwa dinamis. Gerakan manusia dan maksud prediksi adalah salah satu contoh di mana ketidakpastian semacam ini terlihat. Setiap agen yang mencoba untuk memprediksi peristiwa dinamis perlu memodelkan maksud manusia dan memahami ketidakpastian dalam model tersebut. Observasi kemudian dapat digunakan untuk terus mengurangi ketidakpastian untuk prediksi maksud & tujuan yang efisien.

Masalah utama dalam area ini berkisar antara mencirikan dan menjumlahkan ketidakpastian secara efektif, dengan menggabungkan ketidakpastian tersebut ke dalam komputasi dan hasil, serta menyimpan model ketidakpastian interaksi tersebut dengan data yang sesuai.

Salah satu implikasi fakta bahwa output ini dinyatakan sebagai peluang, bukan nilai yang ditentukan, adalah semua kesimpulan bersifat tentatif dan terkait dengan derajat keyakinan tertentu. Untuk memperluas contoh berkendara otonom di atas, bola anak-anak menghilang dari pandangan, atau perilaku pengemudi yang semakin agresif dapat meningkatkan keyakinan bahwa potensi bahaya akan memerlukan respons.

Selain untuk mengaktifkan intuisi dan prediksi di AI, metode probabilistik juga dapat digunakan untuk memberikan tingkat transparansi bagi sistem pengenalan AI yang sudah ada, yang cenderung beroperasi sebagai sebuah kotak hitam. Misalnya, mesin Pembelajaran Mendalam yang ada saat ini memberikan output tanpa ukuran ketidakpastian. Metode probabilistik dapat melakukan augmentasi pada mesin untuk menghasilkan perkiraan ketidakpastian utama serta hasilnya, yang memungkinkan aplikasi memutuskan keandalan prediksi. Membuat ketidakpastian terlihat akan membantu membangun kepercayaan dalam keyakinan sistem AI dalam pengambilan keputusan.

Sedangkan proses yang menentukan memiliki hasil yang dapat diprediksi dan diulang, proses probabilistik tidak, karena pengaruh acak tidak dapat diketahui atau diukur. Proses memadukan gangguan, ketidakpastian, dan kontradiksi data alami ini merupakan aspek penting dari membangun komputer yang memiliki kemampuan manusia (atau manusia super) dalam pemahaman, prediksi, dan pengambilan keputusan. Pekerjaan ini dilandaskan pada penerapan keacakan sebelumnya dalam analisis data, seperti algoritme Monte Carlo yang sudah baik untuk memodelkan probabilistik.

Mengaktifkan Ekosistem Komputasi Probabilistik
Selain untuk tujuan utamanya—menangani data tidak pasti yang tidak lengkap—komputasi probabilistik diandalkan karena keberhasilannya menjadi terintegrasi secara kolaboratif dan holistik ke dalam alam teknologi komputasi yang lebih luas. Intel Labs membantu membangun jembatan yang dibutuhkan di seluruh entitas dalam akademisi dan industri melalui Intel Strategic Alliance (Aliansi Strategis Intel) untuk Komputasi Probabilistik.

Inisiatif penelitian ini didedikasikan untuk mewujudkan komputasi probabilistik dari laboratorium, dengan mengintegrasikan probabilitas dan keacakannya ke dalam blok bangunan perangkat keras dan perangkat lunak yang sangat penting. Menggambar bersama dan mendukung penelitian dalam area ini, Aliansi ini bekerja memajukan rekayasa dalam kemampuan untuk persepsi dan penilaian untuk mendukung AI generasi berikutnya.

Loihi: Prosesor Neuromorfik Banyak Inti dengan Pembelajaran On-Chip

Chip Loihi mengintegrasikan berbagai fitur baru untuk bidang—termasuk aturan pembelajaran sinapsis yang dapat diprogram.

Baca laporan resmi

Dalam Berita


Temukan info terbaru seputar Intel dan komputasi neuromorfik.

Bergabung dengan Intel Labs

Bawa hasrat Anda terhadap teknologi dan pemecahan masalah ke Intel Labs dan bantu ciptakan sesuatu yang belum pernah ada sebelumnya.

Jelajahi peluang

Selengkapnya dari Intel Labs

Tentang Intel Labs

Bekerja dengan dan mensponsori para peneliti terkemuka di seluruh dunia untuk mengembangkan terobosan berikutnya yang mengubah cara mesin berpikir, belajar, dan beradaptasi.

Pelajari selengkapnya

Komputasi Kuantum

Temukan bagaimana Intel membantu mendukung pengembangan prosesor kuantum.

Pelajari selengkapnya

Inovasi Baru

Teknologi baru bertenaga menggerakkan dan membentuk masa depan komputasi. Jelajahi bidang inovasi utama yang terdepan dalam revolusi teknis berikutnya.

Pelajari selengkapnya