Mathieu
# Dina Genkina: Présentation de la nouvelle agence de financement du Royaume-Uni.
Hi, je suis Dina Genkina pour l’émission “Fixing the Future” de IEEE Spectrum. Avant de commencer, je tiens à vous informer que vous pouvez suivre les dernières actualités sur certains des sujets les plus importants de Spectrum, tels que l’IA, le changement climatique et la robotique, en vous abonnant à l’une de nos newsletters gratuites. Il vous suffit de vous rendre sur spectrum.ieee.org/newsletters pour vous inscrire. Aujourd’hui, notre invité est Suraj Bramhavar.
## Suraj Bramhavar: Un nouveau chapitre dans la recherche technologique.
Merci de m’avoir invité.
## Genkina: Réduire les coûts de formation de l’IA de 1 000 fois.
Votre programme vise à réduire les coûts de formation de l’IA d’un facteur de 1 000, ce qui est assez ambitieux. Pourquoi avez-vous choisi de vous concentrer sur ce problème?
## Bramhavar: Les raisons économiques et technologiques derrière le projet.
Il y a plusieurs raisons à cela. Premièrement, l’IA devient le principal moteur économique de toute l’industrie informatique. Et pour former un modèle d’IA moderne à grande échelle, cela coûte actuellement entre 10 millions et 100 millions de livres. L’IA est unique en ce sens que les capacités augmentent avec la puissance de calcul supplémentaire appliquée au problème. Donc, il n’y a pas de signe que ces coûts diminuent à l’avenir. Cela a un certain nombre de conséquences. Si je suis un chercheur en IA de classe mondiale, je dois essentiellement choisir si je vais travailler pour une très grande entreprise technologique qui dispose des ressources de calcul nécessaires pour faire mon travail ou si je vais chercher 100 millions de livres auprès d’un investisseur pour faire des recherches de pointe. Cela dicte qui peut faire le travail et quels types de problèmes sont abordés. La seconde raison est le problème technologique, qui est que tout ce que nous appelons l’IA repose sur un ensemble très étroit d’algorithmes et un ensemble encore plus restreint de matériel.
## Genkina: Les systèmes de calcul naturels : une alternative à explorer.
Lorsque je parle de calcul naturel ou basé sur la nature, je veux dire tout système de calcul qui s’inspire de la nature pour effectuer le calcul ou utilise la physique d’une manière nouvelle et passionnante pour effectuer le calcul. Vous pouvez penser à la computing neuromorphique, qui s’inscrit dans cette catégorie.
## Bramhavar: Les défis et les opportunités des systèmes neuromorphiques.
Mon interprétation de la computing neuromorphique est de coder les informations dans un réseau neuronal via des pics plutôt que des valeurs discrètes. Cette modalité s’est montrée assez efficace dans certaines situations. Les systèmes neuromorphiques ont montré qu’ils fonctionnaient remarquablement bien dans diverses applications.
## Genkina: Noise-based computing et Probabilistic Computing.
Le bruit est une propriété très intrigante. Il y a deux façons de penser au bruit. D’une part, comment le traiter? D’autre part, comment l’exploiter?
## Bramhavar: Rethinking Backpropagation.
La backpropagation est essentiellement le fondement de toute la formation en IA utilisée aujourd’hui. Essentiellement, vous réglez tous les boutons de votre réseau neuronal de manière efficace.
## Genkina: Vision d’un futur informatique plus efficace.
Il est difficile d’anticiper une technologie spécifique qui mènerait à ces améliorations considérables. Il s’agira d’un travail systémique.
## Bramhavar: Objectif à long terme.
ARIA a été mis en place avec un horizon temporel décennal. Nous voulons financer des technologies à haut risque et à haut rendement.
## Genkina: Clôture de l’émission.
Merci d’avoir écouté notre discussion avec le Dr Suraj Bramhavar. Nous devrons vérifier les progrès réalisés vers cette vision grandiose dans quelques années et voir si nous en sommes rapprochés. Pour IEEE Spectrum, je suis Dina Genkina, et j’espère que vous nous rejoindrez la prochaine fois sur Fixing the Future.
