Saat ini, sistem Machine Learning (ML) canggih—terutama model Deep Learning—sangat bergantung pada sumber daya komputasi yang besar dan dataset yang masif. Proses yang dikenal sebagai Pelatihan Ekstensif ini memerlukan waktu berhari-hari, bahkan berminggu-minggu, mengonsumsi energi yang sangat besar di pusat data. Keterbatasan ini menghambat adopsi ML di perangkat kecil (edge computing) di mana daya dan memori sangat dibatasi. Dunia membutuhkan cara yang lebih efisien dan berkelanjutan bagi mesin untuk belajar dan beradaptasi.

Arsitektur neuromorfik menawarkan solusi revolusioner. Komputasi neuromorfik berusaha meniru cara kerja otak biologis, khususnya menggunakan arsitektur spiking neural networks (SNN). Tidak seperti jaringan saraf tradisional yang memproses data secara serentak dan berkelanjutan, SNN bekerja berdasarkan spike (lonjakan pulsa listrik) yang diaktifkan berdasarkan waktu dan input. Prinsip kerja yang didorong oleh peristiwa (event-driven) ini memungkinkan pemrosesan yang jauh lebih hemat energi dibandingkan dengan pemrosesan deep learning yang memerlukan Pelatihan Ekstensif.

Salah satu keunggulan terbesar dari sistem neuromorfik adalah potensi untuk pembelajaran satu kali (one-shot learning) atau few-shot learning. Otak manusia dapat belajar konsep baru hanya dari satu atau beberapa contoh. Sebaliknya, model ML konvensional memerlukan ribuan hingga jutaan contoh data melalui Pelatihan Ekstensif untuk mencapai akurasi yang memadai. Chip neuromorfik dirancang untuk meniru plastisitas sinaptik, memungkinkan mereka memperbarui bobotnya secara lokal dan cepat setelah menerima input baru.

Efisiensi energi yang ditawarkan oleh chip neuromorfik memungkinkan Model Deployment yang belum pernah ada sebelumnya. Bayangkan sensor cerdas, drone, atau perangkat medis yang dapat belajar dan beradaptasi secara real-time tanpa perlu terhubung ke cloud untuk upgrade model. Hal ini mengurangi latensi dan meningkatkan privasi, karena data tidak perlu keluar dari perangkat. Potensi ini secara dramatis akan memperluas kasus penggunaan ML di lingkungan yang sensitif terhadap daya.

Dengan menghilangkan ketergantungan pada Pelatihan Ekstensif yang memakan waktu dan energi, komputasi neuromorfik membuka pintu menuju Artificial General Intelligence (AGI) yang lebih dekat. Membangun sistem yang dapat belajar secepat dan seefisien manusia bukan hanya masalah peningkatan kecepatan, tetapi juga perubahan fundamental dalam cara kita mendesain kecerdasan buatan. Ini adalah lompatan dari komputasi berbasis data besar ke komputasi berbasis peristiwa.