Mengapa Kebangkitan Komputasi Terner Terjadi di AI, Bukan di CPU

Selama beberapa dekade, komputasi terner—yang menggunakan tiga keadaan alih-alih dua keadaan seperti biner—telah menjadi mimpi teoretis yang sering dianggap tidak praktis. Sementara visi komputer yang dibangun secara fundamental atas dasar ya, tidak, dan mungkin telah memikat para teknolog, sebuah revolusi diam-diam kini sedang berlangsung di tempat yang mengejutkan: kecerdasan buatan. Komunitas sedang aktif memperdebatkan apakah ide khusus ini akhirnya mendapatkan momennya, bukan dalam komputasi tujuan umum, tetapi di dunia khusus pembelajaran mesin.

Daya Tarik dan Kendala Teknis Tiga Keadaan

Daya tarik filosofis dari logika terner tidak dapat disangkal. Ini menawarkan kosakata dasar yang lebih kaya, melampaui pilihan biner sederhana untuk menyertakan keadaan ketiga, yang sering diartikan sebagai mungkin atau tidak peduli. Namun, menerjemahkan konsep elegan ini ke dalam perangkat keras fisik terbukti sangat menantang. Inti permasalahannya terletak pada stabilitas. Komputer biner modern sangat efisien karena dibangun di atas sistem bistabil—komponen yang secara alami ingin berada dalam satu dari dua keadaan yang berbeda, seperti sakelar on/off sederhana. Merekayasa sistem tristabil yang andal, yang dapat mempertahankan tiga keadaan terpisah dengan bersih dan konsisten, jauh lebih sulit.

Transistor umumnya memiliki disipasi daya statis terendah jika mereka benar-benar dalam keadaan menyala atau mati. Keadaan tengah yang analog sangat bagus jika Anda mencoba memproses nilai kontinu, tetapi kemudian Anda akan dipaksa untuk menggunakan arus bias untuk bertahan di tengah... sebuah chip dengan miliaran transistor tidak dapat bekerja secara wajar jika sebagian besar dari mereka berada dalam mode analog, itu hanya akan meleleh menjadi terak.

Prinsip fisik mendasar ini menjelaskan mengapa biner mendominasi. Membuat keadaan ketiga yang berbeda sering kali memerlukan peningkatan rentang tegangan, yang dapat melipatgandakan konsumsi daya hingga empat kali lipat hanya untuk mempertahankan perbedaan yang jelas antar keadaan. Seiring dengan mengecilnya transistor hingga mendekati skala atom, tantangan hanya bertambah, dengan efek kuantum seperti tunneling elektron membuatnya lebih sulit untuk mempertahankan keadaan apa pun dengan bersih. Sementara eksperimen sejarah seperti komputer Soviet Setun membuktikan bahwa komputasi terner memungkinkan, overhead tekniknya membuatnya tidak kompetitif untuk penggunaan umum.

Konsep Kunci Komputasi Trinary

• Ternary/Ternary: Sistem bilangan basis-3, berbeda dengan sistem biner basis-2.
• Trit: Unit informasi fundamental dalam sistem ternary, analog dengan "bit" dalam biner.
• Kuantisasi Ternary: Dalam AI, proses membatasi bobot model menjadi tiga nilai: -1, 0, dan +1.
• BitNet b1.58: Contoh arsitektur model bahasa besar modern yang menggunakan bobot ternary.

Di Mana Terner Menemukan Pijakannya: Pembelajaran Mesin

Sementara mimpi tentang CPU terner tujuan umum masih jauh, arsitektur ini menemukan aplikasi yang kuat dan praktis dalam pelatihan model bahasa besar ( LLM ). Para peneliti menemukan bahwa banyak bobot—nilai numerik yang disesuaikan oleh jaringan saraf selama pembelajaran—dalam model yang mampu sering kali dapat disederhanakan secara drastis. Alih-alih menggunakan angka floating-point 32-bit presisi tinggi, bobot ini sering kali dapat direpresentasikan dengan nilai hanya -1, 0, dan +1.

Pendekatan ini, yang dikenal sebagai kuantisasi terner, adalah dasar untuk arsitektur model baru yang sangat efisien seperti BitNet b1.58. Manfaatnya cukup besar. Model dengan bobot terner secara signifikan lebih kecil, membutuhkan lebih sedikit memori dan penyimpanan. Yang lebih penting, komputasi yang terlibat menjadi jauh lebih sederhana. Mengalikan dengan -1, 0, atau +1 dapat direduksi menjadi penambahan, pengurangan, atau melewatkan operasi sama sekali, yang mengarah pada peningkatan besar dalam efisiensi komputasi dan konsumsi daya yang lebih rendah. Hal ini membuat menjalankan model AI yang kuat pada perangkat keras yang kurang kuat menjadi kenyataan yang nyata.

Tantangan Perangkat Lunak yang Besar di Dunia Terner

Diskusi menyoroti bahwa bahkan jika perangkat keras terner menjadi layak, ekosistem perangkat lunak menghadirkan hambatan yang monumental. Seluruh dunia digital kita dibangun di atas fondasi logika biner. Prosesor dirancang untuk memanipulasi nilai berukuran pangkat dua secara efisien. Bahasa pemrograman kita, dari assembly hingga Python, mengasumsikan dunia biner. Bilangan bulat, angka floating-point, dan bahkan operasi Boolean paling sederhana semuanya perlu dipikirkan ulang untuk mesin terner.

Beralih ke basis terner akan membuat pengetahuan rekayasa perangkat lunak selama beberapa dekade dan banyak sekali pustaka menjadi usang. Seperti yang dicatat oleh seorang komentator, operator Bitwise dalam terner pada dasarnya menjadi mustahil untuk dipahami oleh insinyur rata-rata. Konsensusnya adalah bahwa biaya untuk membangun kembali seluruh infrastruktur digital kita dari awal saat ini tidak dapat diatasi, terutama ketika manfaat untuk tugas-tugas tujuan umum masih belum terbukti.

Aplikasi Praktis vs. Hambatan Teoritis

Masa Depan adalah Hibrida, Bukan Terner

Debat yang sedang berlangsung menunjukkan bahwa masa depan komputasi bukanlah pergeseran total dari biner ke terner. Sebaliknya, kita sedang menuju ke lingkungan yang lebih hibrida dan khusus. Kemungkinan besar kita akan melihat CPU biner terus berkuasa untuk tugas-tugas tujuan umum, sementara komponen khusus—seperti akselerator AI yang menangani format angka terner atau terkuantisasi lainnya secara native—menjadi semakin umum.

Ini sudah terjadi di area lain. Teknologi seperti penyimpanan flash NAND QLC (yang menyimpan 4 bit per sel) dan pensinyalan PAM ( Pulse Amplitude Modulation ) dalam interkoneksi berkecepatan tinggi menunjukkan bahwa menggunakan beberapa tingkat tegangan untuk penyimpanan dan transmisi data yang padat adalah praktis di mana hal itu masuk akal. Komputasi terner mungkin tidak mengambil alih dunia, tetapi ia telah menemukan ceruk yang sangat penting yang membantu membentuk masa depan kecerdasan buatan.

Kesimpulan

Mimpi komputasi terner tidak lagi hanya merupakan eksperimen pikiran filosofis. Ia secara aktif dihidupkan kembali dan divalidasi di bidang AI, di mana manfaat efisiensinya terlalu signifikan untuk diabaikan. Diskusi komunitas mengungkapkan jalur yang jelas ke depan: peran terner bukan untuk menggantikan biner, tetapi untuk melengkapinya, memungkinkan generasi baru prosesor khusus yang kuat dan efisien yang akan menggerakkan aplikasi AI di masa depan.

Catatan: Terner mengacu pada sistem bilangan basis-3, menggunakan tiga keadaan berbeda (seringkali -1, 0, +1).

Referensi: The trinary dream endures