Ein US-amerikanisches Startup schlägt eine andere Art vor, eine generative Künstliche Intelligenz zu betreiben. Sein Modell Un-0 erzeugt Bilder mit einem System gekoppelter Oszillatoren, anstatt sich ausschließlich auf die klassischen numerischen Berechnungen von Grafikprozessoren zu stützen. Die Versprechung: eine tausendfache Reduzierung des Energieverbrauchs bei gleicher Leistung.
Oszillatoren sind Systeme, die sich im Laufe der Zeit nach einer Frequenz, einer Phase und Wechselwirkungen mit ihrer Umgebung entwickeln. In dieser Architektur ersetzen ihre physikalischen Zustände einen Teil der normalerweise von Transistoren ausgeführten Operationen. Die Berechnung beruht dann auf der kollektiven Dynamik des Systems.
Dieser Ansatz gehört zum Bereich des physikalischen Rechnens. Er zielt darauf ab, die Eigenschaften eines materiellen Trägers, wie die Variationen eines Signals oder die Synchronisation kleiner Oszillatoren, direkt zu nutzen. Das Ziel besteht darin, bestimmte Operationen mit weniger Schritten und damit weniger Energie durchzuführen.
Un-0 wurde an Bildern von 64 mal 64 Pixeln aus der ImageNet-Datenbank getestet. Das Unternehmen gibt einen FID-Score von 6.74 an, ein Maß zur Bewertung der statistischen Qualität generierter Bilder. Dieses Ergebnis ist mit dem mehrerer erster klassischer Modelle zur Bildgenerierung vergleichbar.
Das Modell wird derzeit jedoch noch nicht auf einem dedizierten physischen Chip ausgeführt. Es läuft auf einer Computersimulation einer Oszillator-Architektur. Die angegebenen Energiegewinne entsprechen daher einer materiellen Perspektive und nicht einem bereits mit einem kompletten Prototypen gemessenen Verbrauch.
Die Funktionsweise unterscheidet sich auch von den gängigsten Diffusionsmodellen. Anstatt mit einem riesigen neuronalen Netzwerk schrittweise ein Bild aus Rauschen zu rekonstruieren, nutzt das System die kollektive Entwicklung seiner Oszillatoren, um eine kohärente Darstellung zu erzeugen.
Das Unternehmen schätzt, dass diese Architektur die für die Inferenz benötigte Energie drastisch senken könnte. Einige Mitteilungen sprechen von einem Faktor von bis zu 1.000, aber dieser Wert bleibt vorerst eine Projektion, die von der Hardware, der Software und dem gewählten Vergleich abhängt.
Der Übergang zu größeren Bildern stellt eine große Herausforderung dar. Es müssen auch die Schaltkreise gebaut, Fehler begrenzt, die Wechselwirkungen zwischen den Oszillatoren programmiert und die Leistungen verglichen werden. Eine vielversprechende Simulation garantiert also noch keine industrielle Alternative zu GPUs.
Diese Spur bleibt dennoch interessant, da die Bildgenerierung den Bedarf an Rechenleistung und Strom erhöht. Sie ist repräsentativ für einen breiteren Trend: die Konzeption von Systemen der Künstlichen Intelligenz, die direkt die Physik nutzen, um die Energiekosten der Operationen zu senken.