Kecerdasan buatan semakin sering dijalankan di perangkat yang memiliki batas daya, ukuran, dan pendinginan. GPU dan NPU mampu mempercepat banyak tugas AI, tetapi pendekatan tersebut tidak selalu ideal untuk sistem yang harus merespons rangkaian peristiwa secara terus-menerus. Komputasi neuromorfik menawarkan rancangan berbeda: sebagian prinsip jaringan saraf biologis diterapkan pada arsitektur perangkat keras agar pemrosesan dapat berlangsung secara paralel dan, pada pekerjaan tertentu, hanya aktif ketika ada informasi yang perlu ditangani.
Apa itu komputasi neuromorfik?
Komputasi neuromorfik adalah pendekatan desain perangkat keras dan perangkat lunak yang mengambil inspirasi dari cara neuron dan sinapsis berkomunikasi. Tujuannya bukan membuat salinan otak manusia, melainkan mengeksplorasi cara lain untuk mengatur komputasi, memori, dan komunikasi agar sesuai untuk tugas tertentu.
Banyak sistem neuromorfik menggunakan spiking neural network (SNN). Alih-alih terus menerus mengirim nilai aktivasi pada setiap langkah, unit yang menyerupai neuron mengirim sinyal singkat atau “spike” ketika kondisi tertentu terpenuhi. Informasi dapat dikodekan melalui waktu kedatangan, pola, dan frekuensi sinyal tersebut. Karena aktivitasnya bisa jarang, sebagian rangkaian tidak perlu melakukan pekerjaan ketika tidak ada peristiwa yang relevan.
Bagaimana arsitektur ini bekerja?
1. Pemrosesan berbasis peristiwa
Bayangkan sensor yang memantau perubahan gerakan. Pada sistem yang benar-benar berbasis peristiwa, perubahan yang penting dapat memicu sinyal untuk diproses tanpa harus memperlakukan setiap interval waktu sebagai satu bingkai penuh. Pendekatan ini cocok untuk data yang berubah dari waktu ke waktu, meskipun manfaatnya bergantung pada sensor, model, dan cara sistem mengodekan input.
2. Komputasi paralel dan koneksi yang jarang aktif
Neuron buatan dapat memelihara keadaan internal, mengumpulkan masukan, lalu mengirim spike ketika ambang tertentu tercapai. Banyak unit dapat bekerja secara paralel, sementara koneksi yang tidak aktif tidak selalu memerlukan operasi sebanyak jaringan yang terus menghitung semua nilai. Namun, penghematan tidak otomatis terjadi: pengodean data, komunikasi antarchip, dan rangkaian pendukung juga menggunakan energi.
3. Kedekatan antara memori dan komputasi
Memindahkan data antara memori dan unit pemrosesan dapat memakan waktu serta daya. Karena itu, sejumlah desain neuromorfik menempatkan keadaan neuron dan koneksi sedekat mungkin dengan elemen komputasinya. Rinciannya berbeda antararsitektur; istilah neuromorfik mencakup berbagai rancangan, bukan satu jenis chip dengan spesifikasi yang seragam.
Perbedaannya dari GPU dan NPU
GPU unggul pada operasi paralel berjumlah besar, terutama ketika data dapat disusun sebagai tensor dan diproses dalam kelompok. NPU biasanya dirancang untuk mempercepat operasi jaringan saraf yang umum, misalnya perkalian matriks, dengan efisiensi yang sesuai untuk perangkat tertentu. Panduan NPU pada AI PC menjelaskan perbedaan peran CPU, GPU, dan NPU.
Sebaliknya, perangkat neuromorfik berupaya memanfaatkan pola waktu dan aktivitas yang jarang untuk jenis pekerjaan tertentu. Itu bukan berarti neuromorfik selalu lebih cepat atau hemat daya. Jika tugas memerlukan operasi padat yang sudah sangat dioptimalkan pada GPU, akselerator konvensional bisa tetap menjadi pilihan lebih baik. Perbandingan harus menggunakan tugas, ketelitian hasil, latensi, dan batas sistem yang setara.
Di mana komputasi neuromorfik berpotensi berguna?
- Robotika dan sistem otonom: membantu memproses perubahan sensor dengan latensi rendah, misalnya gerakan atau hambatan yang muncul mendadak.
- Perangkat tepi berdaya terbatas: relevan ketika perangkat harus terus memantau lingkungan tanpa mengirim seluruh data ke server.
- Pemrosesan audio dan sinyal: pola temporal dapat menjadi masukan untuk pengenalan suara atau deteksi kejadian tertentu.
- Riset pembelajaran adaptif: beberapa pendekatan mengeksplorasi pembaruan model saat data baru datang, tetapi kemampuan ini bergantung pada algoritme dan dukungan perangkat keras.
Contoh nyata masih banyak berada di ranah riset. Intel menjelaskan sistem Hala Point yang dibangun dari prosesor neuromorfik Loihi 2 untuk mengeksplorasi jaringan saraf berbasis spike dan pemrosesan asinkron. Hasil efisiensi yang diumumkan berkaitan dengan beban kerja dan kondisi pengujian tertentu, sehingga tidak tepat dianggap sebagai jaminan bahwa setiap aplikasi AI akan memperoleh peningkatan serupa.
Batasan yang perlu dipahami
Hambatan utamanya bukan hanya membuat chip, tetapi juga membangun perangkat lunak yang mudah digunakan. Model yang dilatih untuk GPU belum tentu dapat dipindahkan langsung ke perangkat neuromorfik dengan hasil identik. Pengembang mungkin perlu mengubah representasi data, melatih atau menyesuaikan jaringan, dan memeriksa kembali akurasi serta stabilitasnya.
Selain itu, perangkat keras khusus, alat pengembangan, dokumentasi, dan dukungan produksi belum seluas ekosistem CPU atau GPU. Data yang padat atau model generatif besar juga tidak otomatis cocok dengan pemrosesan berbasis spike. Untuk memahami pilihan pemrosesan lokal dan server, lihat juga panduan AI lokal vs AI cloud; lokasi pemrosesan dan jenis akselerator merupakan dua keputusan yang berkaitan, tetapi berbeda.
Cara menilai klaim efisiensi
Sebelum menyimpulkan bahwa suatu chip neuromorfik lebih baik, periksa beberapa hal berikut:
- Beban kerja: apakah pengujian menggunakan data temporal atau tugas yang memang sesuai dengan arsitektur tersebut?
- Akurasi: apakah kualitas hasil dibandingkan pada tingkat ketelitian yang setara?
- Energi menyeluruh: apakah angka mencakup sensor, memori, komunikasi, dan host, atau hanya bagian chip?
- Latensi dan throughput: apakah sistem diukur untuk respons satu peristiwa, aliran berkelanjutan, atau jumlah permintaan per detik?
- Kesiapan perangkat lunak: apakah model, alat debugging, dan proses penerapan sudah mendukung kebutuhan produksi?
Angka dari dua penelitian tidak bisa dibandingkan begitu saja jika model, proses fabrikasi, ukuran batch, dan metode pengukuran berbeda. Minta detail kondisi pengujian, bukan hanya klaim “lebih hemat” atau “lebih cepat”.
Kesimpulan
Komputasi neuromorfik membuka jalur alternatif untuk tugas AI yang bergantung pada waktu, kejadian, dan aktivitas yang jarang. Keunggulannya paling masuk akal ketika arsitektur, data, dan algoritme dirancang bersama untuk kebutuhan tersebut. Teknologi ini belum menggantikan GPU atau NPU secara umum; nilai praktisnya perlu dibuktikan melalui pengujian yang adil, dukungan perangkat lunak, dan kebutuhan nyata dari sistem yang akan dibangun.
Bacaan lanjutan: Penjelasan Intel tentang Hala Point dan riset IBM tentang arsitektur NorthPole. NorthPole merupakan pendekatan komputasi AI terinspirasi otak yang menekankan kedekatan memori dan komputasi; tidak semua arsitektur seperti ini menggunakan mekanisme spike yang sama.