Das Korea Advanced Institute of Science and Technology (KAIST) kündigte im Januar 2024 die Entwicklung eines selbstlernenden Memristors an, einer Komponente, die die Funktion von Synapsen im menschlichen Gehirn nachbilden soll. Laut KAIST-Präsident Kwang Hyung Lee kann das neue Gerät seine eigenen Fehler korrigieren und seine Leistung im Laufe der Zeit verbessern, wodurch frühere Herausforderungen in neuromorphen Systemen angegangen werden.
Die in der Fachzeitschrift Nature Electronics veröffentlichte Forschungsarbeit beschreibt die Fähigkeiten des Memristors. Forscher berichten, dass der Chip beispielsweise lernen kann, während der Videoverarbeitung ein bewegtes Bild vom Hintergrund zu trennen und seine Fähigkeit, diese Aufgabe zu erfüllen, schrittweise verbessern kann. Dieser Fortschritt könnte es ermöglichen, komplexe KI-Aufgaben lokal auf Geräten auszuführen, anstatt sich auf Remote-Cloud-Server zu verlassen, was sowohl den Datenschutz als auch die Energieeffizienz erhöhen würde.
„Dieses System ist wie ein intelligenter Arbeitsplatz, an dem alles in Reichweite ist, anstatt zwischen Schreibtischen und Aktenschränken hin und her zu gehen“, sagten die KAIST-Forscher Hakcheon Jeong und Seungjae Han in einer Pressemitteilung. „Das ähnelt der Art und Weise, wie unser Gehirn Informationen verarbeitet, bei der alles auf einmal und an einer Stelle effizient verarbeitet wird.“
Der Memristor, ein Begriff, der aus „Speicher“ und „Widerstand“ abgeleitet ist, gilt als grundlegendes Element für neuromorphes oder gehirnähnliches Rechnen. Das Konzept wurde erstmals 1971 vom amerikanischen Elektroingenieur und Informatiker Leon Chua theoretisiert. Er schlug vor, dass neben dem Widerstand, dem Kondensator und der Induktivität eine vierte grundlegende elektrische Komponente existieren muss. Chua stellte sich den Memristor als eine nichtflüchtige Speicherkomponente vor, die auch im ausgeschalteten Zustand Informationen speichern kann.
Obwohl die Theorie schon seit Jahrzehnten existierte, entdeckten Forscher Memristoren experimentell erst im Jahr 2008. Dieser Durchbruch löste weltweite wissenschaftliche Bemühungen aus, ihre Fähigkeiten zu verbessern. Die Fähigkeit eines Memristors, Daten gleichzeitig zu speichern und zu berechnen, macht ihn zu einem effektiven Ersatz für eine künstliche Synapse in einem neuronalen KI-Netzwerk, das die Funktionsweise des menschlichen Gehirns nachahmt.
Ein vorrangiges Ziel dieses Forschungsgebiets ist der Bau von Computern, die mit der Effizienz und Leistung des menschlichen Gehirns arbeiten können. Das Gehirn kann schätzungsweise eine Milliarde Milliarden (10^18) mathematische Operationen pro Sekunde mit nur 20 Watt Leistung ausführen. Das Erreichen dieses Niveaus der Hypereffizienz ist eine Schlüsselvoraussetzung für die Entwicklung eines praktischen neuromorphen KI-Gehirns.
In einer ähnlichen Entwicklung hat KAIST in diesem Jahr auch den ersten KI-Supraleiterchip entwickelt. Dieser Chip ist für einen Ultrahochgeschwindigkeitsbetrieb bei minimalem Stromverbrauch ausgelegt und ahmt so die Effizienz des Gehirns weiter nach.
Diese technologischen Verbesserungen werden als schrittweise Schritte zur Schaffung eines „Gehirns auf einem Chip“ angesehen. Eine solche Technologie könnte die KI erheblich voranbringen und möglicherweise den Fortschritt in Richtung der Singularität beschleunigen, einem theoretischen Zukunftspunkt, an dem künstliche Intelligenz die menschliche Intelligenz übertrifft.
Der Artikel stellt jedoch fest, dass „Intelligenz“ ein komplexes Thema ist. Die Fähigkeit einer KI, bestimmte Berechnungen ähnlich wie das menschliche Gehirn durchzuführen, bedeutet nicht, dass sie alle vielfältigen Funktionen des Gehirns nachbilden kann.
Einige Wissenschaftler spekulieren, dass sich solche Maschinen zu „außerirdischen Köpfen“ entwickeln könnten, die neuronale Konstruktionen besitzen, die auf eine Art und Weise intelligent sind, die sich grundlegend von der menschlichen Wahrnehmung unterscheidet. Das menschliche Gehirn bleibt vorerst der Standard für hocheffizientes Rechnen. Durch kontinuierliche Fortschritte bei Komponenten wie Memristoren könnte die KI diese Position möglicherweise irgendwann herausfordern.
