神經科學啟發節能AI 影像辨識新模型有望減輕運算負擔

隨著人工智慧（AI）技術日益複雜，其龐大的運算需求與隨之而來的能源消耗問題，已成為科技界關注的焦點。在這樣的背景下，一項由研究者 Simon Thorpe 提出的影像辨識新方法，正因為其節能潛力而重新獲得重視。

Simon Thorpe 的 AI 模型靈感源自於人腦對影像的處理方式。他認為，人腦從視網膜向大腦傳遞影像時，關鍵在於神經元電訊號的「順序」，而非其「振幅」（約 100 毫伏特）。換句話說，如果刺激過弱，神經元將不會放電，這種訊號的存在與否本身就攜帶資訊。他所開發的 AI 模型，便是基於影像中物體邊緣亮度驟變的原理來識別圖像。

早在 1999 年，Simon Thorpe 便共同創辦了 Spikenet Technology 公司，其目標是為行銷部門提供體育賽事中的商標辨識服務，以優化廣告投放。然而，在 2010 年至 2017 年的 ImageNet ILSVRC 影像辨識競賽中，2012 年由統計學為基礎的模型勝出，這使得統計學方法成為當時的主流，其錯誤率被認為較神經科學模型更低，導致 Simon Thorpe 的研究方向一度失去發展動能。

不過，法國索邦大學教授 Jean-Gabriel Ganascia 指出，現今人們普遍意識到基於統計學的大型 AI 模型在訓練與運作時，會消耗大量能源，這使得 Simon Thorpe 的「節儉型（frugal）」AI 模型再次受到關注。Simon Thorpe 的模型運作分為兩階段：首先是根據電訊號的放電順序識別圖像，接著是將圖像資訊儲存於「靜默神經元」。這些「靜默神經元」可被視為數位化的非活躍神經連接，它們透過學習進入待機模式，以避免系統過載，模仿人腦的節能機制。

目前，科技巨頭微軟與新創公司 Mistral AI 也推出了類似的節儉型 AI 模型，例如微軟的 Phi 3 和 Mistral AI 的 Mistral 7B。這些模型雖然仍以統計學為基礎，但透過有限的資料集進行訓練，目的都在於減少資源消耗，顯示業界對發展更節能 AI 技術的趨勢。