Courtesy of InterestingEngineering

Komputer Mini Otak Daya Rendah Bisa Ubah Cara AI Belajar dan Beroperasi

Mengembangkan komputer kecil yang terinspirasi otak manusia yang mampu belajar dan membuat prediksi dengan penggunaan energi dan data yang jauh lebih efisien dibandingkan sistem AI konvensional.

01 Nov 2025, 02.28 WIB

192 dibaca

Ikhtisar 15 Detik

Komputer neuromorfik dapat belajar dengan lebih efisien dibandingkan sistem AI konvensional.
Penggunaan MTJ memungkinkan penyimpanan data yang lebih handal dalam komputer yang terinspirasi oleh otak.
Teknologi ini berpotensi mengurangi ketergantungan pada server cloud dan menghemat energi bagi perangkat pintar.

Dallas, Amerika Serikat - Para insinyur di The University of Texas at Dallas menciptakan prototipe komputer kecil yang belajar seperti otak manusia, lebih efisien dalam mengenali pola dan membuat prediksi. Sistem ini membutuhkan lebih sedikit komputasi saat pelatihan dibandingkan AI tradisional yang memisahkan memori dan proses, sehingga mengurangi energi yang dipakai.

Prototipe ini memakai magnetic tunnel junctions (MTJs), perangkat nano yang memungkinkan informasi disimpan dan diproses dalam satu tempat seperti sinaps otak. MTJs bisa mengubah kekuatan sambungan antar neuron buatan secara dinamis, mengikuti prinsip Hebb bahwa neuron yang aktif bersamaan akan menguatkan hubungan di antara mereka.

Desain neuromorphic ini memungkinkan komputer belajar secara mandiri tanpa perlu menggunakan data besar dalam jumlah banyak, berbeda dengan sistem AI biasa yang sangat bergantung pada dataset berlabel dan konsumsi energi tinggi. Akibatnya, biaya pelatihan model besar yang bisa mencapai ratusan juta dolar dapat dikurangi secara signifikan.

Dr. Joseph S. Friedman menjelaskan bahwa target berikutnya adalah memperbesar sistem ini agar bisa melakukan pembelajaran yang lebih kompleks dengan konsumsi daya sangat rendah. Teknologi ini berpotensi memungkinkan perangkat seperti ponsel dan wearable menjalankan AI canggih secara lokal tanpa selalu harus terhubung ke cloud.

Jika berhasil dikembangkan skala besarnya, sistem ini bisa mengurangi kebutuhan pusat data besar yang boros energi sekaligus menghadirkan perangkat pintar yang lebih adaptif dan hemat energi. Hal ini bisa membuka era baru komputasi pintar yang lebih mirip cara kerja otak manusia di dunia nyata.

Referensi:
[1] https://interestingengineering.com/innovation/brain-inspired-computer-ai-efficiency

Analisis Ahli

Dr. Jeffrey Krichmar

"Teknologi ini meniru plasticity otak dengan cara yang elegan menggunakan perangkat hardware fisik, ini adalah langkah maju penting dalam neuromorphic engineering."

Prof. Christos Constantinou

"Penggunaan MTJs dapat mengatasi masalah ketahanan dan stabilitas yang sering dihadapi oleh pendekatan neuromorphic sebelumnya."

Analisis Kami

"Pendekatan menggunakan MTJs sebagai elemen kunci dalam neuromorphic computing ini sangat menjanjikan untuk mengatasi bottleneck energi dan efisiensi pada AI saat ini. Jika berhasil diskalakan, ini bisa mengubah paradigma komputasi pintar dan mempercepat adopsi AI di perangkat edge dengan biaya dan konsumsi daya jauh lebih rendah."

Prediksi Kami

Di masa depan, perangkat pintar seperti ponsel dan wearable bisa menjalankan model AI canggih secara lokal tanpa bergantung pada cloud, sehingga menghemat energi dan mempercepat pemrosesan data secara real time.

Pertanyaan Terkait

Apa yang dikembangkan oleh tim insinyur di Universitas Texas di Dallas?

Tim insinyur di Universitas Texas di Dallas mengembangkan prototipe komputer skala kecil yang dapat belajar seperti otak manusia.

Bagaimana cara kerja komputer neuromorfik?

Komputer neuromorfik bekerja dengan menginspirasi cara otak memproses dan menyimpan informasi, di mana neuron dan sinapsis melakukan kedua tugas tersebut secara bersamaan.

Apa yang menjadi dasar prinsip komputer yang dapat belajar sendiri?

Dasar prinsip untuk komputer yang dapat belajar sendiri adalah hukum Hebb, yang menyatakan bahwa neuron yang aktif bersama akan terhubung lebih kuat.

Apa keuntungan dari penggunaan MTJ dalam komputer neuromorfik?

Keuntungan penggunaan MTJ adalah mereka menawarkan penyimpanan data yang andal dan dapat menyesuaikan koneksi ketika sinyal melewati, mirip dengan evolusi sinapsis di otak.

Apa tujuan selanjutnya dari penelitian ini?

Tujuan selanjutnya dari penelitian ini adalah untuk meningkatkan prototipe agar dapat menangani tugas pembelajaran yang lebih kompleks.