ideia de 20 anos aumenta a eficiência da IA em 1.000 vezes
É principalmente a transferência de dados que causa uma grande proporção do consumo de energia. Isso se aplica ainda mais às enormes quantidades de dados com as quais os algoritmos de inteligência artificial trabalham.
Portanto, a omissão dessa etapa, que também é considerada um gargalo entre a memória e os processos lógicos, tem um impacto enorme. E é exatamente aí que entra em ação uma ideia de 2003, desenvolvida na Universidade de Minnesota naquela época.
Isso levou a uma colaboração entre várias disciplinas, desde a física até a engenharia e a ciência da computação. O resultado foi uma série de circuitos que são usados hoje em relógios inteligentes e elementos de memória.
A memória de acesso aleatório computacional, ou CRAM, também estava envolvida. Isso permite o cálculo real e a execução de processos paralelos diretamente na memória principal e em qualquer local.
Mais do que apenas uma nova arquitetura
Além disso, não se trata de circuitos convencionais, mas de contatos de túnel magnético que podem usar o spin do elétron em vez da carga para alternar entre 0 e 1.
Em aplicações baseadas em inteligência artificial, isso resulta em um consumo de energia de um milésimo para alcançar o mesmo resultado do método clássico. O consumo de eletricidade atual e previsto das redes neurais em todo o mundo mostra o quanto essa quantidade de eletricidade é enorme. De acordo com a Agência Internacional de Energia, 460 terawatts-hora foram usados em 2022. Até 2026, no máximo, espera-se que sejam 1.000 terawatts-hora.
Com o gigantesco potencial de economia de 99,9%, isso deixaria 999 terawatts-hora que não seriam mais necessários. Isso corresponde ao consumo anual de eletricidade do Japão, a quarta maior economia com 126 milhões de habitantes.
De acordo com o documento, esse não seria nem mesmo o melhor resultado possível. Outros testes poderiam reduzir o consumo de energia em um fator de 1.700 ou 2.500. Esse aumento adicional na eficiência é possível graças a uma adaptação direcionada do CRAM a algoritmos individuais, que podem ser calculados ainda mais rapidamente e, portanto, de forma mais econômica.
