Neuromorphic Computing คืออะไร ? รู้จักเทคโนโลยีคอมพิวเตอร์ ที่เลียนแบบสมองมนุษย์

Neuromorphic Computing คืออะไร ? เทคโนโลยีแปลกใหม่ ระบบคอมพิวเตอร์ที่เลียนแบบสมองมนุษย์

ทุกคนลองจินตนาการกันดูว่าถ้า คอมพิวเตอร์ นั้น สามารถคิด และเรียนรู้ได้เหมือนสมองของเราได้ จะเกิดอะไรขึ้น ? คำตอบนั้นอาจไม่ไกลเกินความเป็นจริงนัก "การคำนวณแบบนิวโรมอร์ฟิก (Neuromorphic Computing)" หรือ การคำนวณในลักษณะที่ "เลียนแบบสมองมนุษย์" คือเทคโนโลยีที่ออกแบบมาให้ระบบคอมพิวเตอร์ทำงานได้เหมือนสมองเรา ซึ่งไม่ใช่แค่การประมวลผลข้อมูลแบบเดิม ๆ แต่เป็นการทำความเข้าใจ และเรียนรู้จากประสบการณ์ เหมือนที่เราทำทุกวัน

และในบทความนี้ เราจะพาทุกคนไปรู้จักกับเทคโนโลยีที่ล้ำหน้า อย่าง การคำนวณแบบนิวโรมอร์ฟิก (Neuromorphic Computing) ทั้งความหมาย, หลักการ, ความแตกต่างจากคอมพิวเตอร์ทั่วไป, ความท้าทาย และตัวอย่างการใช้งานของ Neuromorphic Computing ซึ่งอาจเปลี่ยนแปลงวิธีที่คอมพิวเตอร์ทำงานในอนาคต และช่วยให้ระบบสามารถคิด, วิเคราะห์ และปรับตัวได้ดีขึ้นกว่าที่เคย !

AI Generated Image

การคำนวณแบบนิวโรมอร์ฟิก คืออะไร ? (What is Neuromorphic Computing ?)

Neuromorphic Computing คำนี้นั้นยังไม่มีนิยามภาษาไทยอย่างเป็นทางการ หรือชัดเจน แต่สามารถแปล และอธิบายความหมายได้ว่าเป็น "การคำนวณที่เลียนแบบสมอง" หรือ "การคำนวณแบบระบบประสาท" คือแนวทางการออกแบบระบบคอมพิวเตอร์ที่เลียนแบบการทำงานของระบบประสาทในสมองมนุษย์ ซึ่งแนวคิดนี้ไม่ได้จำกัดอยู่แค่การออกแบบฮาร์ดแวร์เพียงเท่านั้น แต่ยังรวมถึงซอฟต์แวร์ที่ทำงานร่วมกันในลักษณะที่คล้ายกับการส่งข้อมูลในสมองของเรา เป็นการเรียนรู้ และประมวลผลแบบมีชีวิตชีวามากขึ้น

ภาพจาก : https://www.frontiersin.org/files/Articles/1153985/fnins-17-1153985-HTML/image_m/fnins-17-1153985-g001.jpg

ในกระบวนการออกแบบ Neuromorphic วิศวกรจะผสมผสานหลายศาสตร์ความรู้ ทั้งวิทยาการคอมพิวเตอร์, ชีววิทยา, คณิตศาสตร์, วิศวกรรมอิเล็กทรอนิกส์ และฟิสิกส์ เพื่อสร้างระบบคอมพิวเตอร์ที่ได้แรงบันดาลใจมาจากธรรมชาติ เลียนแบบโครงสร้างทางชีววิทยาของสมอง อย่างเช่น เซลล์ประสาท (Neuron) และซินแนปส์ (Synapses) ซึ่งถือเป็นหน่วยพื้นฐานของสมองมนุษย์

ภาพจาก : https://qbi.uq.edu.au/brain-basics/brain/brain-physiology/action-potentials-and-synapses

เซลล์ประสาททำงานโดยการส่งสัญญาณทางไฟฟ้าเคมีเพื่อสื่อสารกันระหว่างส่วนต่าง ๆ ของสมอง และระบบประสาท ซึ่งเซลล์ประสาท และซินแนปส์ หรือสมองของมนุษย์นั้น สามารถประมวลผลข้อมูลได้อย่างมีประสิทธิภาพ และยืดหยุ่นกว่าคอมพิวเตอร์มาก อีกทั้งทั้งยังประหยัดพลังงานมากกว่าด้วย

แม้ว่า Neuromorphic Computing จะยังคงอยู่ในขั้นตอนของการวิจัย และพัฒนา แต่หลายหน่วยงานทั้งในมหาวิทยาลัย, หน่วยงานทหารของสหรัฐฯ และบริษัทเทคโนโลยีชั้นนำ เช่น Intel Labs และ IBM ก็มีโครงการวิจัยเกี่ยวกับเทคโนโลยีนี้อยู่ ซึ่งในอนาคตเราก็อาจจะเห็นการเปลี่ยนแปลงของวิธีการที่คอมพิวเตอร์ทำงานก็เป็นได้

เทคโนโลยี Neuromorphic คาดว่าจะถูกนำไปใช้ในหลากหลายด้าน เช่น การเรียนรู้เชิงลึก (Deep Learning), เซมิคอนดักเตอร์ (Semiconductor) ในยุคถัดไป รวมไปถึงระบบอัตโนมัติ เช่น หุ่นยนต์, โดรน, รถยนต์ไร้คนขับ และ เทคโนโลยีปัญญาประดิษฐ์ (AI) เป็นต้นอีกด้วย

โดยนักวิจัยบางกลุ่มเชื่อว่า Neuromorphic Processors อาจช่วยข้ามข้อจำกัดของ Moore's Law ที่พูดถึงจำนวนทรานซิสเตอร์ ในชิปคอมพิวเตอร์ที่จะเพิ่มขึ้นเป็นสองเท่าทุก ๆ 2 ปี ซึ่งในปัจจุบัน หลักการนี้มีข้อจำกัดเนื่องจากขนาดทรานซิสเตอร์ที่เล็กลงเกินไป ทำให้การผลิตมีความซับซ้อน และต้นทุนสูงขึ้น Neuromorphic Computing อาจเป็นทางเลือกใหม่ เพราะไม่ต้องพึ่งพาการเพิ่มจำนวนทรานซิสเตอร์นั่นเอง

ภาพจาก : https://ipcarrier.blogspot.com/2020/03/so-moores-law-is-not-dead.html

การคำนวณแบบนิวโรมอร์ฟิก ทำงานอย่างไร ? (How does Neuromorphic Computing work ?)

Neuromorphic Computing ทำงานโดยใช้ฮาร์ดแวร์ที่เลียนแบบโครงสร้าง และกระบวนการของเซลล์ประสาท (Neuron) และซินแนปส์ (Synapse) ในสมองมนุษย์ ซึ่งจะทำให้คอมพิวเตอร์สามารถประมวลผลข้อมูล และเรียนรู้ได้เหมือนสมองจริง ๆ รูปแบบที่ใช้บ่อยที่สุดคือ "Spiking Neural Network - SNN" หรือเครือข่ายประสาทที่ยิงสัญญาณ

โดยใน SNN นี้ สไปกิ้งนิวรอน (Spiking Neuron) จะทำหน้าที่ประมวลผล และเก็บข้อมูลคล้ายกับการทำงานของเซลล์ประสาทในสมองมนุษย์นั่นเอง

ภาพจาก : https://www.sciencedirect.com/science/article/pii/S2773064623000658

ซินแนปส์เทียม (Artificial Synapse) คือส่วนที่เชื่อมต่อระหว่างสไปกิ้งนิวรอน ซึ่งจะใช้วงจรแอนะล็อก (สัญญาณที่ไม่ต่อเนื่อง และไร้รูปแบบเช่น แรงดันไฟฟ้ากระแสสลับ (AC Power) ในการส่งสัญญาณไฟฟ้าที่เลียนแบบสัญญาณในสมองมนุษย์ เหมือนกับการที่เซลล์ประสาทในสมองจะส่งสัญญาณผ่านซินแนปส์ไปยังเซลล์ประสาทตัวอื่น ๆ แตกต่างจากคอมพิวเตอร์ทั่วไปที่ใช้ระบบเลขฐานสอง (Binary System) ในการประมวลผลข้อมูล สไปกิ้งนิวรอนจะใช้การเปลี่ยนแปลงของสัญญาณแอนะล็อกเพื่อเข้ารหัสข้อมูลแทน ทำให้การประมวลผลมีความยืดหยุ่น และสามารถเรียนรู้ได้เหมือนสมองมนุษย์

อีกสิ่งที่ทำให้ Neuromorphic Computing แตกต่างจาก Von Neumann Computers ระบบคอมพิวเตอร์ทั่วไป ที่เราใช้กันที่ประกอบด้วย หน่วยประมวลผลกลาง (CPU), หน่วยความจำหลัก (RAM) และอื่น ๆ

โดยสถาปัตยกรรมการประมวลผลของ Neuromorphic Computing ไม่ใช้หลักการประมวลผลแบบเชิงเส้นที่คำนวณทีละขั้นตอน (Sequential Processing) เหมือนคอมพิวเตอร์ทั่วไป แต่ใช้การประมวลผลที่ทำงานพร้อมกัน (Parallel Processing) แบบที่สมองมนุษย์ทำ พูดง่าย ๆ คือสัญญาณจะถูกประมวลผลพร้อม ๆ กันจากหลาย ๆ จุด ทำให้การประมวลผลมีความเร็ว และประสิทธิภาพสูงขึ้นอย่างมาก

ภาพจาก : https://www.computerscience.gcse.guru/theory/von-neumann-architecture

เปรียบเทียบระหว่าง การคำนวณทั่วไปของคอมพิวเตอร์ กับ การคำนวณแบบนิวโรมอร์ฟิก (Comparison Between Traditional Computing and Neuromorphic Computing)

ภาพจาก : https://www.nature.com/articles/s43588-021-00184-y/figures/1

คอมพิวเตอร์ที่เราใช้ในปัจจุบัน (Von Neumann Computer)

• แยก หน่วยประมวลผลกลาง (CPU) และ หน่วยความจำ (Memory) ทำให้ข้อมูลต้องย้ายระหว่างทั้งสองส่วน ซึ่งอาจทำให้เกิดคอขวด (Von Neumann Bottleneck) และเพิ่มการใช้พลังงาน
• ใช้ระบบเลขฐานสอง (Binary Number) ในการเข้ารหัสข้อมูล เช่น "0" และ "1" เป็นต้น
• ข้อมูลจะถูกประมวลผลทีละคำสั่งในลำดับที่กำหนด (Sequential Processing)
• ขยายขนาดได้ยาก เนื่องจากข้อจำกัดในการขยายหน่วยประมวลผล และหน่วยความจำ

การคำนวณแบบนิวโรมอร์ฟิก (Neuromorphic Computer)

• ประมวลผล และเก็บข้อมูลในที่เดียวกันบนแต่ละเซลล์ประสาท ช่วยลดข้อจำกัดจาก Von Neumann Bottleneck
• ใช้การเปลี่ยนแปลงของสัญญาณแอนะล็อก (Analog Signals) แทนการใช้ระบบเลขฐานสอง
• ประมวลผลได้รวดเร็ว และใช้พลังงานต่ำ เนื่องจากประมวลผลข้อมูลในรูปแบบคู่ขนาน (Massively Parallel Processing)
• ขยายขนาดได้ง่าย เพียงแค่เพิ่มชิป Neuromorphic เพื่อเพิ่มจำนวนเซลล์ประสาท
• ใช้พลังงานเฉพาะเมื่อจำเป็น เพราะการประมวลผลจะเกิดขึ้นเมื่อเซลล์ประสาทได้รับการกระตุ้น (Spikes)
• มีความยืดหยุ่นสูง สามารถปรับตัวตามสิ่งแวดล้อม และเรียนรู้จากประสบการณ์ที่ผ่านมา
• ทนทานต่อความผิดพลาด เนื่องจากข้อมูลถูกเก็บในหลายจุด ทำให้ไม่ส่งผลต่อการทำงานโดยรวม

ความท้าทายของ การคำนวณแบบนิวโรมอร์ฟิก (Challenges of Neuromorphic Computing)

ถึงแม้ว่า Neuromorphic Computing จะมีศักยภาพที่จะปฏิวัติวงการคอมพิวเตอร์ และ AI แต่เทคโนโลยียังอยู่ในช่วงเริ่มต้น และยังมีอุปสรรคอีกหลายประการที่ต้องเผชิญ

1. ความแม่นยำ

ถึงแม้ว่า Neuromorphic Computing จะมีประสิทธิภาพในเรื่องของพลังงานดีกว่าเครื่องมือ Deep Learning หรือ การเรียนรู้ของเครื่อง (Machine Learning) ที่ใช้ หน่วยประมวลผลกราฟิก (GPU) แต่ก็ยังไม่มีการพิสูจน์ที่แน่ชัดว่าแม่นยำกว่ามากนัก ทำให้หลายคนก็ยังคงเลือกใช้ซอฟต์แวร์แบบดั้งเดิมที่ให้ความแม่นยำสูงกว่า

ภาพจาก : https://www.energy.gov/science/bes/articles/emergent-device-boosts-neuromorphic-computing

2. เข้าถึงที่ยาก

คอมพิวเตอร์ neuromorphic ยังไม่สามารถเข้าถึงได้ง่ายสำหรับผู้พัฒนาทั่วไป เนื่องจากยังขาดเครื่องมือเช่น ส่วนต่อประสานโปรแกรมประยุกต์ (API) หรือภาษาโปรแกรมที่ทำให้สามารถใช้งานได้สะดวก การพัฒนาจึงยังคงถูกจำกัดอยู่

ภาพจาก : https://www.cmc.ca/hardware-designs-inspired-by-the-human-brain/

3. เกณฑ์การทดสอบที่ไม่ชัดเจน

งานวิจัยเกี่ยวกับ Neuromorphic Computing ยังไม่มีเกณฑ์การทดสอบ หรือปัญหาทั่วไปที่มันจะตอบโจทย์อย่างชัดเจน ทำให้ยากที่จะประเมินประสิทธิภาพ หรือพิสูจน์ความสามารถของเทคโนโลยีนี้

4. ข้อจำกัดทางด้านวิทยาศาสตร์ด้านประสาทสมอง

Neuromorphic Computing ยังถูกจำกัดโดยความเข้าใจที่ไม่สมบูรณ์นักเกี่ยวกับการรับรู้ของมนุษย์ เช่น ทฤษฎี Orch OR โดย Penrose และ Hameroff ที่บอกว่าการรับรู้ของมนุษย์อาจเกี่ยวข้องกับการคำนวณควอนตัม ถ้าหากการรับรู้ของมนุษย์ต้องใช้การคำนวณควอนตัมจริง ๆ คอมพิวเตอร์ Neuromorphic ที่ใช้การคำนวณแบบดั้งเดิมก็อาจต้องพัฒนาไปอีกขั้น เพื่อให้สามารถเลียนแบบสมองมนุษย์ได้อย่างแท้จริง

ภาพจาก : https://www.rafflesmedicalgroup.com/health-resources/health-articles/brain-works/

5. ซอฟต์แวร์ และอัลกอริธึมที่จำกัด

ซอฟต์แวร์สำหรับ Neuromorphic Computing ยังไม่สามารถตามทันฮาร์ดแวร์ได้ ส่วนใหญ่การวิจัยยังใช้ซอฟต์แวร์ Deep Learning แบบเดิมที่พัฒนามาสำหรับระบบ Von Neumann ซึ่งจำกัดการทดลองให้ต้องอยู่ในกรอบแนวทางแบบเดิมที่ Neuromorphic Computing ต้องการที่จะพัฒนาไปให้เหนือกว่า

ตัวอย่างการใช้งานของ การคำนวณแบบนิวโรมอร์ฟิก (Use Cases for Neuromorphic Computing)

แม้ว่า Neuromorphic Computing จะเผชิญกับความท้าทายมากมาย แต่ก็ยังได้รับการสนับสนุนอย่างมากจากนักวิจัย และบริษัทต่าง ๆ ซึ่งผู้เชี่ยวชาญคาดการณ์ว่าเทคโนโลยีนี้จะถูกนำมาใช้ในแอปพลิเคชัน AI ที่อยู่ขอบข่ายอย่าง การประมวลผลแบบเอดจ์ (Edge computing) แทนการใช้ การประมวลผลแบบคลาวด์ (Cloud Computing) เนื่องจากมันมีขนาดที่เล็ก และการใช้พลังงานที่ต่ำ เรามาดูลักษณะการใช้งานที่น่าสนใจสักสองประการด้านล่างนี้เลย

รถยนต์ไร้คนขับ และโดรน

Neuromorphic Computing ช่วยให้รถยนต์ไร้คนขับ และโดรนสามารถประมวลผล และปรับตัวกับสิ่งแวดล้อมได้แบบเรียลไทม์ เทคโนโลยีนี้เหมาะกับระบบอัตโนมัติที่ต้องตอบสนองต่อสภาพแวดล้อมที่ซับซ้อน และเปลี่ยนแปลงอย่างรวดเร็ว ด้วยการใช้พลังงานต่ำ และสามารถประมวลผลข้อมูลจากเซนเซอร์ต่าง ๆ ได้อย่างมีประสิทธิภาพ

ภาพจาก : https://www.cnet.com/pictures/audi-airbus-flying-drone-car-hybrid-geneva-auto-show/

การวิเคราะห์ข้อมูล และเพิ่มประสิทธิภาพกระบวนการผลิต

ระบบ Neuromorphic ยังสามารถนำมาใช้ในการประมวลผลข้อมูล, วิเคราะห์ และเพิ่มประสิทธิภาพในงานต่าง ๆ โดยการจำลองการประมวลผลข้อมูลแบบขนาน และสามารถปรับตัวได้ตามข้อมูลใหม่ ๆ ซึ่งช่วยเพิ่มประสิทธิภาพ และลดการใช้พลังงานในอุตสาหกรรมต่าง ๆ เช่น การผลิต, การดูแลสุขภาพ และการเงิน

ซึ่งกรณีการใช้งานที่ยกมาเหล่านี้แสดงให้เห็นถึงศักยภาพของ Neuromorphic Computing ในการเปลี่ยนแปลงอุตสาหกรรมต่าง ๆ โดยการสร้างระบบที่มีประสิทธิภาพสูง สำคัญคือปรับตัวได้ดี และมีความสามารถในการคิด และตัดสินใจอย่างชาญฉลาด

ภาพจาก : https://www.navvis.com/blog/everything-you-ever-wanted-to-know-about-factory-planning

ข้อพิจารณาด้านจริยธรรม และกฎหมายในด้าน การคำนวณแบบนิวโรมอร์ฟิก (Ethical and Legal Considerations in Neuromorphic Computing)

ถึงแม้ว่าเทคโนโลยี Neuromorphic Computing จะยังอยู่ในช่วงเริ่มต้น และเป็นแนวคิดใหม่ แต่คำถามด้านจริยธรรมที่เกี่ยวข้องกับการพัฒนาระบบที่เหมือนสมองมนุษย์ก็ยังคงเป็นประเด็นที่ต้องพิจารณาอย่างรอบคอบ เช่นเดียวกับปัญหาที่เกิดขึ้นกับการพัฒนา AI และหุ่นยนต์ในภาพรวม โดยเฉพาะในแง่ของการเลียนแบบสมองมนุษย์ที่อาจทำให้เกิดคำถามเกี่ยวกับการใช้งานในหลาย ๆ ด้าน

AI Generated Image

แม้ว่า Neuromorphic Computing จะพยายามเลียนแบบการทำงานของสมองมนุษย์ แต่จริง ๆ แล้ว เทคโนโลยีนี้ก็ยังเป็นเพียงแค่แบบจำลองที่ถูกทำให้เรียบง่ายมาก ๆ เมื่อเทียบกับความซับซ้อนของสมองจริง ๆ ตัวอย่างเช่น ความสามารถในการประมวลผล และใช้พลังงานของสมองมนุษย์นั้นเหนือกว่า AI และเทคโนโลยี Neuromorphic ในปัจจุบันมากมายหลายเท่า

การพัฒนา Neuromorphic Computing ที่เลียนแบบสมองมนุษย์อาจทำให้เกิดความกังวลในสังคมมากขึ้นในอนาคต โดยผลสำรวจจากคณะกรรมาธิการยุโรปพบว่า ประชาชนส่วนใหญ่ไม่เห็นด้วยกับการใช้หุ่นยนต์ในงานที่เกี่ยวข้องกับเด็ก, ผู้สูงอายุ หรือผู้พิการ เนื่องจากเกรงว่ามันจะทดแทนมนุษย์ในหลาย ๆ ด้าน ซึ่งอาจนำไปสู่การต่อต้านการพัฒนาเทคโนโลยีนี้

อีกประเด็นที่สำคัญคือ การให้ สิทธิส่วนบุคคล แก่ระบบ Neuromorphic หากเทคโนโลยีพัฒนาไปถึงจุดที่สามารถสร้าง "จิตสำนึก" หรือ "บุคลิกภาพ" ได้ การปฏิบัติต่อมันในลักษณะเดียวกับมนุษย์อาจกลายเป็นประเด็นด้านจริยธรรม เช่น หากการยุติการทำงานของมันก็จะขัดกับสิทธิ และอิสรภาพ ที่มนุษย์พึงมี

เมื่อ Neuromorphic เริ่มสร้างผลงานที่มีความคิดสร้างสรรค์ เช่น งานเขียนหรือประดิษฐ์ คำถามเกี่ยวกับ สิทธิในผลงาน จะต้องถูกพิจารณา ว่าใครจะเป็นเจ้าของผลงานนั้น หากไม่ใช่มนุษย์ที่เป็นผู้สร้าง ผลงานเหล่านั้นจะถือเป็นทรัพย์สินของผู้พัฒนาเทคโนโลยี หรือไม่ ? ซึ่งล้านเป็นประเด็นที่ต้องถกเถียงกันอีกยาว

บทสรุปเกี่ยวกับ การคำนวณแบบนิวโรมอร์ฟิก (Neuromorphic Computing Conclusions)

การวิจัยในด้าน Neuromorphic Computing ก้าวหน้าอย่างรวดเร็วในช่วงไม่กี่ปีที่ผ่านมา ซึ่งได้รับแรงผลักดันจากการใช้งาน AI, Machine Learning และ Neural Networks ในเทคโนโลยีต่าง ๆ  อีกทั้งยังมีความเชื่อกันว่า Moore's Law กำลังจะถึงจุดสิ้นสุด เนื่องจากการเพิ่มประสิทธิภาพของชิปตามที่กฎนี้ระบุไว้อาจจะไม่สามารถทำได้อีกต่อไป ดังนั้น Neuromorphic Computing ที่สามารถหลีกเลี่ยงข้อจำกัดเหล่านี้ และพัฒนาประสิทธิภาพให้สูงขึ้น จึงได้รับความสนใจจากผู้ผลิตชิปรายใหญ่อย่าง IBM, Intel รวมถึงกองทัพสหรัฐฯ ด้วย

จากความก้าวหน้าทางเทคโนโลยี และการวิจัยที่เกิดขึ้นอย่างรวดเร็ว เราอาจได้เห็นการเปลี่ยนแปลงครั้งใหญ่ในอนาคต แม้ว่า Neuromorphic Computing จะยังคงเผชิญกับความท้าทายหลายด้าน แต่ก็ไม่อาจปฏิเสธได้ว่าเทคโนโลยีนี้มีศักยภาพที่จะเปลี่ยนแปลงอนาคตของการคำนวณ และ AI ไปในทางที่เราไม่เคยคาดคิดมาก่อน การพัฒนาในด้านนี้ยังคงดำเนินต่อไป และอาจเป็นก้าวสำคัญที่ช่วยยกระดับขีดความสามารถของเทคโนโลยีในอนาคตได้เลยทีเดียว