211service.com
IBM planlægger at kommercialisere sin hjerne-inspirerede chip
I august sidste år afslørede IBM en chip designet til at betjene noget som neuroner og synapser i hjernen (se IBM Chip Process Data Similar to Way Your Brain Does). Nu er virksomheden begyndt at arbejde på en næste generation, der sigter mod at gøre mobile enheder bedre til opgaver, der er nemme for hjernen, men hårde for computere, såsom talegenkendelse og fortolkning af billeder.
IBM designede denne chip til at låne principper, der ses i hjernen, og arbejder nu på en version, der kunne gøre mobile enheder smartere.
Vi arbejder på en næste generation af chippen, men det, der er vigtigst nu, er kommercielle partnere, siger John Kelly, en senior vicepræsident hos IBM, der fører tilsyn med IBM Research og flere forretningsenheder, herunder to dedikeret til virksomhedens Watson-pakke af maskiner. intelligens software. Virksomheder kunne inkorporere dette i alle slags mobile enheder, maskiner, biler, you name it.
Tilføjelse af hjerneinspirerede chips til produkter som telefoner kan gøre dem i stand til at genkende alt, hvad deres ejere siger, og spore, hvad der foregår omkring dem, siger Kelly. Det tætteste nutidens enheder kommer på, er at lytte efter bestemte søgeord. Apples seneste iPhone kan vækkes ved at sige Hey Siri, og nogle telefoner, der bruger Googles software, kan vækkes med sætningen OK Google.
IBMs TrueNorth-chiparkitektur, som den kaldes, blev udviklet gennem et DARPA-finansieret program, der skulle gøre det muligt for mobile computere at køre avanceret maskinintelligenssoftware såsom billed- eller talegenkendelse uden at skulle bruge cloud computing-infrastrukturen og bruge meget lidt kraft (se Thinking In Silicon).
Kelly siger, at IBM er i diskussioner med førende computersystemproducenter om, hvordan TrueNorth-design kan hjælpe dem, men afviser at nævne nogen. Vi taler med hvem der er hvem i mobilområdet og IoT [tingenes internet], siger han. En TrueNorth-chip ville blive tilføjet til enhedsdesign som en co-processor, der fungerer sammen med den konventionelle processor og aldrig slukker, siger Kelly.
TrueNorth-chippen, der blev afsløret i august sidste år, er omtrent på størrelse med et frimærke og har en million siliciumneuroner med 256 millioner forbindelser mellem dem, der er analoge med de synapser, der forbinder rigtige neuroner. Chippen bruger over 1.000 gange mindre strøm end en konventionel processor af tilsvarende størrelse. IBM har demonstreret, hvordan dets netværk af neuroner kan programmeres til at udføre opgaver som at genkende forskellige køretøjer i videooptagelser i realtid.
Men fordi TrueNorth-chiparkitekturen er meget forskellig fra dem i eksisterende computere, kræver den nye tilgange til at skrive software. Og dets falske neuroner fungerer anderledes end de softwarebaserede kunstige neurale netværk, som virksomheder som Google, Facebook og Microsoft for nylig har brugt til at skabe gennembrud inden for tale- og billedbehandling ved hjælp af en metode kendt som deep learning (se 10 Breakthrough Technologies 2013: Deep Læring).
Neuroner i IBMs TrueNorth-arkitektur koder data ved hjælp af elektriske tænd-sluk-spidser, der forsøger at efterligne spiksignalerne fra biologiske neuroner. De simulerede neuroner, der bruges i deep learning, bruger ikke pigge.
Kunstige neurale netværk, der bruger spike-neuroner - IBM'er inkluderet - har ikke vist sig at matche ydeevnen opnået ved hjælp af dyb læring på opgaver såsom talegenkendelse eller billedbehandling. Yann LeCun, der leder Facebooks AI-forskningslaboratorium og hjalp med at pionere i dyb læring, har udtrykt skepsis at det vil være praktisk at gøre.
Dharmendra Modha, der leder udviklingen af IBMs hjerne-inspirerede chips, imødegår, at spiking er afgørende, hvis neurale netværk skal køres i en chip med høj strømeffektivitet. Hans team er begyndt at skabe værktøjer, der vil gøre det muligt at overføre oplærte deep learning neurale netværk til en TrueNorth-chip, siger han.
Denne chip blev tænkt som et substrat, hvorpå en lang række neurale netværk kan kortlægges til real-time, ultra-lav energi, ultra-lav volumen applikationer, siger han.
Terrence Sejnowski , leder af computational neurobiology lab på Salk Institute for Biological Studies, er enig i, at piggede neuroner er vigtige, hvis kompakte computere skal blive i stand til at gøre intelligente ting uden at suge strøm eller trykke på skyen. De dukkede op i naturen af en grund, siger han.
Ny forskning fra en anden pioner inden for deep learning, Yoshua Bengio fra University of Montreal, tyder på, at teknikkens nøjagtighed kunne være nemmere at overføre til spidse hardwareneuroner, end man tidligere havde troet, siger Sejnowski. Bengio, der samarbejder med IBM om sprogsoftware, udsendte en foreløbig papir online i sidste uge, der viste, at tilpasning af de simulerede neuroner, der bruges i dyb læring, på en måde, der gør dem mere som spikneuroner, ikke skadede nøjagtigheden af billedbehandlingen.
Selvom IBMs hjernechip-arkitektur er forenet med teknikkerne til dyb læring, vil den have konkurrence. Google arbejder allerede på måder at knuse kunstige neurale netværk til at køre på eksisterende mobile enheder (se Google App Puts Neurale netværk på din telefon). Adskillige virksomheder, herunder den førende mobilprocessordesigner Qualcomm, arbejder på chipdesign, der vil køre eksisterende deep learning-software på mobile computere såsom telefoner eller i biler (se Silicon Chips That See Are Going Your Smartphone Brilliant).