211service.com
En AI-chip, der hjælper computere med at forstå billeder
En kraftfuld tilgang til kunstig intelligens kan komme til smartphones.
Forskere fra Purdue University arbejder på at kommercialisere design til en chip for at hjælpe mobile processorer med at bruge AI-metoden kendt som deep learning. Selvom kraften ved dyb læring har inspireret virksomheder, herunder Google, Facebook og Baidu, til at investere i teknologien, har den indtil videre været begrænset til store klynger af kraftige computere. Da Google udviklede software, der lærte at genkende katte fra YouTube-videoer, krævede eksperimentet 16.000 processorer (se Selvlært software).
At være i stand til at implementere deep learning på mere kompakte og strømeffektive måder kan føre til smartphones og andre mobile enheder, der kan forstå indholdet af billeder og video, siger Eugenio Culurciello , en professor ved Purdue, der arbejder på projektet. I december kl Neurale informationsbehandlingssystemer konference i Nevada demonstrerede gruppen, at en co-processor forbundet til en konventionel smartphone-processor kunne hjælpe den med at køre deep learning-software. Softwaren var i stand til at registrere ansigter eller mærke dele af et gadebillede. Co-processorens design blev testet på en FPGA, en rekonfigurerbar chip, der kan programmeres til at teste et nyt hardwaredesign uden de betydelige omkostninger ved at fremstille en helt ny chip.
Prototypen er meget mindre kraftfuld end systemer som Googles kattedetektor, men den viser, hvordan nye former for hardware kunne gøre det muligt at bruge kraften ved dyb læring mere bredt. Det er der behov for, siger Culurciello. Du har sikkert en samling på flere tusinde billeder, som du aldrig ser på igen, og vi har ikke en god teknologi til at analysere alt dette indhold.
Enheder som Google Glass kunne også drage fordel af evnen til at forstå de mange billeder og videoer, de optager, siger han. En persons billeder og videoer kan være søgbare ved hjælp af tekst – for eksempel rød bil eller solskinsdag med mor. Ligeledes kunne der udvikles nye apps, der griber ind, når de genkender bestemte personer, objekter eller scener.
Deep learning-software fungerer ved at filtrere data gennem et hierarkisk, flerlagsnetværk af simulerede neuroner, der er individuelt enkle, men som kan udvise kompleks adfærd, når de er knyttet sammen (se Deep Learning). Computere er ineffektive til at køre disse netværk, fordi de er meget forskellige fra konventionel software.
Purdues co-processor design er specialiseret til at køre flerlagede neurale netværk frem for alt andet og sætte dem i gang med streaming af billeder. I test har prototypen vist sig omkring 15 gange så effektiv som at bruge en grafikprocessor til den samme opgave, og Culurciello mener, at forbedringer af systemet kan gøre det 10 gange mere effektivt, end det er nu.
Narayan Srinivasa , direktør for centeret for neurale og emergerende systemer ved HRL Laboratories, et forskningslaboratorium, der ejes i fællesskab af Boeing og General Motors, siger, at det giver mening at bruge en co-processor til at hjælpe med at implementere deep learning-netværk mere effektivt. Det skyldes, at i konventionelle computere ligger en processor og dens hukommelse i separate bidder af hardware. Derimod er operationerne af neurale netværk i dyb læringsstil og de rigtige neurale netværk inspireret af hukommelse og behandling. Narayans egen forskning fokuserer på at adressere det problem med en mere ekstrem løsning - at designe chips med siliciumneuroner og synapser, der efterligner de rigtige hjerner (se Thinking in Silicon).
Purdue-gruppens løsning repræsenterer ikke en så fundamental nytænkning af, hvordan computerchips fungerer. Det kan begrænse, hvor effektivt deres design kan køre deep learning neurale netværk, men også gøre det lettere at få dem til at blive brugt i den virkelige verden. Culurciello har allerede startet et firma, kaldet TeraDeep , for at kommercialisere hans designs.
Tanken er, at vi sælger IP'en for at implementere dette, så en stor producent som Qualcomm eller Samsung eller Apple kunne tilføje denne funktionalitet til deres processor, så de kunne behandle billeder, siger Culurciello. Yann LeCun , en pioner inden for dyb læring ved New York University, som for nylig startede førende Facebooks forskning på området , er rådgiver for virksomheden.