マサチューセッツ大学アマースト校のハヴァ・シーゲルマン教授ら研究チームは、最新AIのエネルギー消費を桁違いに低減しリアルタイムでの継続学習を可能にする新アーキテクチャANT（Asynchronous Neural Turing networks）を開発した。本成果は学術誌Nature Communicationsに掲載された。 現在の大規模AIモデルは高性能を発揮する一方、学習と推論に莫大な電力を要する課題を抱える。人間の脳は非同期に動作するニューロンにより消費電力20ワットで複雑な処理を遂行するが、従来の深層学習は全パラメータを同期して更新するグローバルクロックに依存している。この機制はパラメータ規模の増大に伴い環境負荷を劇的に増加させ、自律ロボットの様な電力制約下での実装を困難にしてきた。 研究チームは同期型深層学習の学習効率と非同期動作の省電力性を融合させた。ANTはグローバルクロックの制約を撤廃しつつ、微分可能なニューラル特性を維持する設計原理を採用している。各計算ステップで関連するニューロンのみを選択的に更新する仕組みにより、計算能力と適応性を損なわずにエネルギー消費を桁違いに削減する。 シーゲルマン教授は、本技術が持続可能で柔軟なAI実装への道を開くと評価する。現在はエネルギー効率のさらなる向上と継続学習機能の拡充に向けた検証が進められている。今後は電力制約の厳しいエッジコンピューティングデバイス、自律移動ロボット、次世代適応型機械知能への応用が期待される。本研究はAIの環境負荷低減とアーキテクチャ革新に新たな指針を示す。