Umělá inteligence může být brzy rychlejší a úspornější. Vědci z University of Surrey přišli s novým způsobem, jak stavět neuronové sítě. Místo aby se umělá inteligence učila stylem „všechno na všechno“, spojuje neurony jen tam, kde to opravdu dává smysl. Stejně jako lidský mozek.
Výsledkem je metoda Topographical Sparse Mapping (TSM), která omezuje zbytečné propojení neuronů. Místo tisíců spojů jich má síť jen tolik, kolik skutečně potřebuje. Přitom neztrácí přesnost. Ušetří ale čas, paměť i elektřinu.
Brain-inspired AI could cut energy use and boost performance.
— University of Surrey (@UniOfSurrey) October 30, 2025
Our researchers have developed a new model that mimics how the brain connects its neurons – making AI systems faster and far more energy-efficient.
Read more: https://t.co/oGQrmKDgeT pic.twitter.com/DsFtvxjED4
Učí se jako mozek
Pokročilejší verze ETSM jde ještě dál. Při učení sama „prořezává“ zbytečné vazby, podobně jako mozek, který si v dětství utváří klíčová spojení a ostatní maže. Nezůstává tak přetížená, ale soustředí se jen na to důležité.
Trénink dnešních obřích modelů AI, třeba generativních sítí, spotřebuje přes milion kilowatthodin elektřiny. To odpovídá roční spotřebě stovky amerických domácností. „To není udržitelný způsob, jakým AI dál rozvíjet,“ říká Roman Bauer, který výzkum vedl.
Stejný výkon, nižší spotřeba
Nová architektura dokázala dosáhnout až 99 % řídnutí neuronových vazeb. Přesto její přesnost zůstala stejná nebo i lepší než u běžných modelů. A hlavně při zanedbatelné spotřebě energie.
Výhodou ETSM je i to, že se při učení nemusí stále dolaďovat a přestavovat. Funguje rychleji a bez zbytečné zátěže na výpočetní výkon. Ve výsledku jde o systém, který se učí chytře, nikoliv silou.
Vědci zvažují, že by tento princip mohli využít i jinde, třeba při stavbě tzv. neuromorfních počítačů. Ty se snaží napodobit strukturu i způsob fungování lidského mozku co nejvěrněji.
