Det ser altid ud til, at algoritmer til kunstig intelligens udfører visse opgaver ikke kun hurtigere end mennesker, men meget hurtigere. Men paradoksalt nok, jo mere kunstig intelligens ligner den menneskelige hjerne, jo bedre fungerer den.
Et team af ingeniører hos IBM har bygget et fysisk neuralt netværk, der bogstaveligt talt ligner menneskelige neuroner. Da ingeniører testede AI-algoritmen på en ny type ledninger, fandt de, at den udfører opgaver med samme effektivitet som konventionelle neurale netværk, men bruger 100 gange mindre energi.
Hvis denne neurale ledning slår rod, vil kunstig intelligens snart kunne foretage meget flere beregninger og bruge meget mindre energi. Problemet er, at computerchips og neurale netværksalgoritmer taler to forskellige sprog, og som et resultat er de langsommere. Men i det nye system passer hårdt og software perfekt sammen, og derfor afslutter det nye AI-system alle opgaver hurtigere uden at gå på kompromis med nøjagtigheden.
Dette er et skridt hen imod opbygning af siliciumbaserede neurale netværk. Normalt fungerede sådanne AI-systemer ikke så godt, men den nye undersøgelse simulerede to typer neuroner: den ene var ansvarlig for hurtig beregning, den anden blev oprettet til at gemme langvarig information.
Der er selvfølgelig nogen tvivl om påstandene fra forskere, der hævder, at svaret på at skabe en fungerende kunstig intelligens er at genskabe den menneskelige hjerne. I det store og hele ved vi stadig ikke, hvordan hjernen fungerer. Og der er en mulighed for, at meget af, hvad der er i vores hjerne, vil være nytteløst for computeren.
Ikke desto mindre viser ny forskning, at den fysiske struktur af menneskelige neuroner kan give en masse nyttige til kunstige intelligensalgoritmer, og i moderne forhold er energibesparelse en vigtig betingelse for, at ethvert system kan fungere optimalt.