Un-0: Стартап MIT и Стэнфорда создал ИИ на физических колебаниях вместо транзисторов — он генерирует картинки и обещает переворот в энергопотреблении
Исследователи представили новую «сверхэффективную» модель искусственного интеллекта, способную генерировать изображения с помощью сети физических осцилляторов, а не традиционной вычислительной инфраструктуры, основанной на расчетах.
Модель под названием «Un-0» создана компанией Unconventional AI — недавно запущенным технологическим стартапом, основанным группой ведущих исследователей в области ИИ. Среди них — Майкл Карбин, адъюнкт-профессор, возглавляющий группу программных систем в MIT; Сара Ачур, доцент кафедры компьютерных наук и электротехники Стэнфордского университета; Милан Ли, бывший инженер Google; и Навин Рао, экс-глава ИИ-направления аналитической компании Databricks. Подробности о новой модели ученые изложили в технической публикации от 25 июня на сайте компании. Модель также выложена в открытый доступ на GitHub.
Un-0 представляет собой первое доказательство концепции базовой технологии компании, объединяющей работу Ачур в области нелинейных физических субстратов — материалов или устройств, выполняющих математические операции, позволяя собственной естественной физике системы протекать непрерывно, — с исследованиями Карбина в области машинного обучения и физической динамики. Сама модель является «физической динамической системой», которая использует движение во времени для выполнения вычислений.
Как это работает: осцилляторы вместо транзисторов
Традиционные компьютеры функционируют с помощью транзисторов — крошечных электрических переключателей, которые можно открывать, пропуская ток, или закрывать, блокируя его. Эти сигналы считываются компьютерным чипом как «1» или «0», а наслоение миллионов или даже миллиардов таких транзисторов позволяет выполнять сложные математические уравнения. Нейросети, подобные тем, что лежат в основе распространенных диффузионных ИИ-генераторов изображений вроде Midjourney или Dall-E, работают, накладывая миллионы таких вычислений друг на друга. Система стартует с изображения, состоящего из чистого статического шума, а затем математически предсказывает, какую визуальную информацию нужно вычесть, чтобы приблизиться к целевой картинке. Процесс повторяется от 20 до 50 раз, и с каждым проходом результат становится все ближе к узнаваемому образу.
Но если традиционные системы полагаются на грубую математику, концепция Unconventional AI основана на физике и физическом движении. В основе теории лежат осцилляторы — физические устройства, производящие непрерывную волну, наподобие метронома. Согласно научным принципам, два осциллятора, имеющие физическую связь, — даже если они изначально движутся с совершенно разной частотой, — со временем синхронизируются, взаимно влияя на движение друг друга. Масштабировав этот принцип до тысяч физически связанных осцилляторов — так называемая «модель Курамото», — стартап предположил, что концепцию можно использовать для вычислительных задач, включая генерацию изображений.
На практике различные паттерны углов или «фаз» осцилляторов представляют разные классы изображений — например, обувь или поезда. Модель берет большое количество осцилляторов с произвольными углами и внедряет в систему меньшую подгруппу, уже настроенную на специфическую конфигурацию фаз. Эта подгруппа действует как промпт для желаемой категории изображений. Осцилляторы физически связываются с основной группой через预设ную конфигурацию разной силы связей. Когда они приходят в движение, эта «контрольная группа» естественным образом увлекает за собой остальные осцилляторы к нужному паттерну. Через некоторое время система делает мгновенный снимок всех фаз осцилляторов, получая сетку чисел. Эта сетка подается в «декодер», который преобразует числа в информацию о цвете пикселей, формируя изображение.
Энергопотребление: ставка на физику вместо насилия над транзисторами
Одно из самых громких заявлений Unconventional AI — цель добиться от своей модели в 1000 раз меньшего энергопотребления по сравнению с нынешними системами. В традиционных ИИ-моделях вычисления требуют переключения миллиардов крошечных транзисторов триллионы раз в секунду, чтобы загнать ток в нужные участки цепи. Хотя каждый отдельный транзистор не особенно энергоемок, совокупное потребление одного сервера, запускающего генеративный ИИ, колоссально. Например, по подсчетам Алекса де Вриса, докторанта Амстердамского свободного университета, на обучение модели GPT-3 от OpenAI ушло 1287 МВт·ч энергии — этого хватило бы для электроснабжения среднего британского дома в течение более чем 475 лет.
С моделью Un-0 идея в том, что вместо насильственного переключения транзисторов между открытым и закрытым состояниями система состоит из серии замкнутых контуров, где естественный путь тока формирует отдельные осцилляторы. Поскольку току позволяют течь беспрепятственно, система теоретически гораздо энергоэффективнее традиционной архитектуры. Первая доказательная модель компании использует симуляцию этих осцилляторов на обычном компьютерном оборудовании, но конечная цель ученых — однажды построить собственные вычислительные чипы на осцилляторах.
Первые тесты: результаты на уровне ранних гигантов
Для оценки производительности Unconventional AI прогнала модель через два общепринятых в индустрии бенчмарка: CIFAR-10 (набор низкоразрешенных цветных изображений по десяти категориям) и ImageNet 64×64 (гораздо более обширная коллекция из более чем 1,2 миллиона снимков более высокого разрешения). Эти тесты измеряют, насколько сгенерированные картинки близки к эталонным, с помощью метрики FID (Fréchet inception distance), где меньшее число означает более высокую точность. Исследователи обнаружили, что добавление осцилляторов значительно улучшает результаты. В тесте CIFAR-10 показатели варьировались от FID 11,01 при 1024 осцилляторах до 8,76 при 4096. В более сложном ImageNet 64×64 набор из 6656 осцилляторов достиг FID 8,41, а 16 384 осциллятора показали результат 6,74.
Эти цифры сопоставимы с результатами ранних моделей генерации изображений, включая pionерские BigGAN от Google и iDDPM от OpenAI, проложившие путь к современной DALL-E. Впрочем, авторы подчеркивают, что результаты «следует рассматривать как ориентиры, а не как строго идентичные замеры». «Мы рассматриваем Un-0 как многообещающий первый подход, качество которого пересекается с показателями нескольких признанных семейств генеративных моделей на момент их первого появления, — заявили представители компании. — Качество Un-0 соответствует тому, с чего начинали сегодняшние лидирующие генеративные методы. Обычные генераторы пока сильнее по абсолютному качеству и параметрической эффективности — сокращение этого разрыва с помощью новых алгоритмов и архитектур и есть наша дальнейшая работа».
Ученые опубликовали веса модели, а также скрипты для обучения и абляции, позволив другим исследователям тестировать систему и запускать собственные симуляции. «В совокупности система связанных осцилляторов Курамото в Un-0 обещает обучение на физической динамике в масштабе, превосходящем все, что делалось ранее, — подытожили они в технической публикации. — Un-0 указывает на возможность появления нового компьютера, использующего физику для достижения нашей главной цели — энергоэффективности».
Источники: Unconventional AI (технический блог, 25 июня 2026), Joule (de Vries, 2023), GitHub.
