Penelitian tentang kecerdasan buatan (AI) telah mencapai tonggak baru dengan diperkenalkannya sistem SpikingBrain 1.0 oleh para peneliti di Chinese Academy of Sciences’ Institute of Automation di Beijing. Sistem ini berupaya meniru fungsi otak manusia, menawarkan model bahasa yang dapat beroperasi dengan efisiensi luar biasa, menggunakan energi yang sangat minim.
Kelebihan utama dari SpikingBrain 1.0 adalah kemampuannya dalam memproses data dengan lebih cepat dibandingkan model-model konvensional. Dengan demikian, para peneliti berharap teknologi ini akan membawa dampak signifikan dalam berbagai bidang, menciptakan peluang baru di dunia AI.
SpikingBrain 1.0 adalah model bahasa besar yang dirancang untuk berfungsi seefisien mungkin. Berbeda dari model AI tradisional yang mengandalkan chip buatan luar negeri, sistem ini mengoptimalkan perangkat keras yang diproduksi di dalam negeri, menjadikannya unik dan mandiri.
Transformasi Cara Kerja Kecerdasan Buatan dalam SpikingBrain 1.0
Berdasarkan makalah teknis yang belum ditinjau sejawat, sistem ini mengalami peningkatan efisiensi yang signifikan. Menurut tim peneliti, SpikingBrain 1.0 dapat menyelesaikan tugas tertentu hingga 100 kali lebih cepat dibandingkan dengan beberapa model AI konvensional lainnya.
Menariknya, SpikingBrain 1.0 menggunakan data yang jauh lebih sedikit dalam proses pelatihannya—hanya 2 persen dari data yang biasanya dibutuhkan oleh model lain. Hal ini merupakan terobosan dalam penelitian komputasi neuromorfik yang bertujuan mereplikasi efisiensi otak manusia.
Paduan teknologi yang digunakan dalam SpikingBrain 1.0 adalah ‘spiking computation’, yang dirancang untuk meniru cara kerja neuron biologis. Pendekatan ini menawarkan cara yang lebih efisien dalam memahami dan memproses informasi.
Alih-alih mengaktifkan seluruh neuron untuk memproses informasi secara bersamaan, SpikingBrain 1.0 lebih selektif—hanya mengirim sinyal ketika ada input spesifik. Inovasi ini jelas merupakan inovasi yang membantu dalam pengurangan penggunaan energi serta mempercepat kecepatan pemrosesan.
Pengujian dan Kinerja Model dalam Berbagai Situasi
Tim peneliti membangun dua versi dari SpikingBrain 1.0, masing-masing dilengkapi dengan 7 miliar parameter dan 76 miliar parameter. Kedua versi ini dilatih dengan total sekitar 150 miliar token data, yang dianggap relatif kecil untuk skala model sebesar ini.
Dari pengujian yang dilakukan, model dengan 7 miliar parameter menunjukkan respons yang mencengangkan, mampu menangani perintah yang terdiri dari 4 juta token dengan kecepatan lebih dari 100 kali dibandingkan sistem konvensional yang ada. Ini menunjukkan potensi luar biasa dari model ini dalam pemrosesan data besar.
Pada pengujian lain, varian yang lebih besar dari SpikingBrain 1.0 menunjukkan kecepatan hingga 26,5 kali lipat lebih cepat daripada arsitektur transformer yang umum, khususnya dalam menghasilkan token pertama dari satu juta token konteks. Ini menjadi indikator bahwa sistem ini tidak hanya cepat tetapi juga efisien dalam menggunakan sumber daya.
Stabilitas sistem menjadi salah satu sorotan, di mana laporan menyebutkan bahwa SpikingBrain 1.0 dapat beroperasi di platform ratusan chip dalam waktu berkelanjutan. Ini menunjukkan keandalan sistem dalam kondisi nyata.
Peluang dan Aplikasi SpikingBrain 1.0 di Dunia Nyata
Adanya SpikingBrain 1.0 membuka pintu bagi banyak aplikasi potensial di dunia nyata. Salah satu contoh adalah dalam analisis dokumen hukum dan medis yang membutuhkan pemahaman kompleks terhadap data. Dengan spiking computation yang dimiliki, proses ini dapat dilakukan dengan lebih baik.
Selain itu, sistem AI ini juga dapat digunakan dalam penelitian distribusi energi tinggi dan kegiatan ilmiah lainnya yang memerlukan pemrosesan data dalam jumlah besar. Penggunaan dalam pengurutan DNA juga menunjukkan potensi yang sangat menarik.
Dengan adanya solusi yang lebih efisien dan cepat ini, tidak hanya mempercepat proses yang ada, tetapi juga mengurangi ketergantungan pada teknologi asing, khususnya yang berasal dari perusahaan-perusahaan besar di Amerika Serikat. Hal ini tentu saja memberikan keuntungan kompetitif bagi negara yang mengembangkan teknologi ini.
Tim peneliti menggarisbawahi pentingnya hasil yang dicapai, mengindikasikan bahwa pelatihan model besar dapat dilakukan dengan efisien tanpa ketergantungan pada platform tertentu. Tren ini membuka banyak kemungkinan baru untuk penelitian dan pengembangan sistem komputasi masa depan.
