唐江都李资讯
人工智能军备竞赛,正催生新的硬件架构
2019-11-02 13:17:53   作者:匿名  

[云搜索网(微信号:)9月24日报道

编者按:本迪克森是一名软件工程师,也是techtalks的创始人。Techtalks探索技术解决和制造问题的方法。

随着社会转向人工智能来解决各个领域越来越多的问题,我们看到了一场军备竞赛:创造能够以更高的速度和更低的功耗运行深度学习模型的专用硬件。

这场竞争中的最新突破包括新的芯片架构,它以与我们以前看到的完全不同的方式执行计算。通过观察它们的功能,我们可以了解未来几年人工智能可能的应用。

神经网络是深入学习的关键。它由数以千计的小程序组成,这些程序通过简单的计算执行复杂的任务,例如检测图像中的对象或将语音转换成文本。

然而,传统的计算机没有优化神经网络的操作。相反,它们由一个或几个强大的中央处理器组成。神经形态学计算机使用另一种芯片结构来物理表示神经网络。神经形态芯片由许多与软件直接对应的物理人工神经元组成。这使得他们在训练和运行神经网络时速度特别快。

神经形态计量学的概念早在20世纪80年代就已存在,但由于其效率低,尚未引起人们的重视。近年来,随着人们对深度学习和神经网络兴趣的重新点燃,神经形态芯片的研究也受到了新的关注。

今年7月,一组中国研究人员推出了一种名为“启示录”的神经形态芯片,可以解决许多问题,包括目标检测、导航和语音识别。研究人员将芯片集成到自动驾驶自行车中,让它能够响应语音指令,从而展示芯片的功能。研究人员在《自然》杂志上发表的一篇论文中指出,我们的研究有望为更通用的硬件平台铺平道路,从而刺激agi(人工通用智能)的发展。

虽然没有直接证据表明神经形态芯片是创造人工智能的正确方法,但它们肯定会有助于创造更高效的人工智能硬件。

神经形态芯片已经引起了大量科技企业的关注。今年早些时候,英特尔推出了pohoikibech,拥有多达64个英特尔loihi神经形态芯片,能够模拟800万个人工神经元。据英特尔称,loihi处理信息的速度是传统处理器的1000倍,效率是传统处理器的10000倍。

神经网络和深度学习计算需要大量的计算资源和能力。人工智能的碳足迹已经成为一个环境问题。神经网络的能量消耗也限制了其在电力有限的环境中的应用,例如电池供电的设备。

随着摩尔定律持续放缓,传统的电子芯片正试图跟上人工智能行业日益增长的需求。

几家公司和研究实验室已经转向光学计算,寻找解决人工智能行业速度和功率挑战的方法。光学计算用光子代替电子,用光信号代替数字电子。

光学计算设备不像铜缆那样发热,这大大降低了它们的能耗。光学计算机也特别适合于快速矩阵乘法,这是神经网络的关键操作之一。

在过去的几个月里,出现了几种光学人工智能芯片的原型。波士顿的light lighting公司开发了一种与当前电子硬件兼容的光学人工智能加速器。通过优化一些繁重的神经网络计算,人工智能模型的性能可以提高一两个数量级。照明工程师表示,光学计算的进步也将降低人工智能芯片的制造成本。

最近,香港科技大学的一组研究人员开发了一个全光神经网络。目前,研究人员已经开发了一个概念验证模型来模拟具有16个输入和2个输出的完全连接的两层神经网络。从图像识别到科学研究和其他计算密集型应用,大规模光学神经网络可以以光速和低能耗运行。

今年8月,硅谷初创企业大脑系统公司发布了一款包含1.2万亿晶体管的大型人工智能芯片。大脑芯片的尺寸为42225平方毫米,比最大的Avida图形处理器大50多倍。

大芯片加快了数据处理速度,并能以更快的速度训练人工智能模型。与GPU和传统CPU相比,brain as独特的结构也降低了能耗。

当然,芯片的尺寸会限制其在有限空间环境中的使用。大脑最近与美国能源部签署了第一份合同。美国能源部将使用该芯片加速科学、工程和卫生领域的深入研究。

考虑到所有行业和领域都在寻找深入学习的应用,单一架构几乎不可能主宰市场。但可以肯定的是,未来的人工智能芯片很可能与我们计算机和服务器上的经典cpu相差几十年。