Барбара Де Сальво, главный ученый из CEA-Leti, отмечает, что с раннего заре искусственного интеллекта (AI) в середине 1950-х годов была проведена волна исследований ИИ, несмотря на то, что многие ученые и инженеры всегда заинтересованы в концепции.
Теперь, однако, настало время взглянуть на человеческие технологии, вдохновленные мозгом, по крайней мере, «мы должны признать, что есть другие технологические парадигмы, которые помогут нам сформулировать хорошие вопросы». Де Сальво на Международной конференции по твердым контурам в этом году после того, как (ISSCC) выступит с речью, чтобы принять «EE Times» в интервью, что "если нет новой модели работы и алгоритма, промышленность в конечном итоге будет трудно достичь более строгих требований к мощности.
В то время как промышленность была толкая ИИ встраиваемых платформ, таких как 2, EyeQ5 Mobileye, и Movidius Xavier Nvidia о Myriad, но для того, чтобы удовлетворить потребности терминального устройства с меньшим потреблением мощности по краям (Edge) обрабатывать большое количество анализа, она сказала: " Мы далеко от того, что нам нужно достичь ».
De Salvo сравнивает вычислительную эффективность (GOPS / W) фазы результата и GOPS нескольких чипов AI во время основной речи.
Она отметила, что между потребностями отрасли и существующими решениями по-прежнему существует большой разрыв. «Нет чипов - будь то для коммерческого выпуска, прототипов, чипов для разработки или развития в академических кругах - способны доставлять менее 100 мкВт Тем не менее, это именно то, что необходимо достичь краевым устройствам, потому что на долгие годы им приходится полагаться на сбор энергии или миниатюрные батареи.
Зачем возвращаться к исследованиям мозга человека?
Де Салво сказал, что мы знаем, что человеческий мозг весит около 2% тела, но использует 20% метаболизма тела.
Человеческий мозг обрабатывает 1011 ГОПС в 20 Вт. Де Салво подчеркивает, что до сих пор в мире не было никакого процессора, который имел бы сопоставимую производительность и мощность для человеческого мозга.
Де Сальво объяснил, что этот класс энергоэффективности развивается в течение эволюции человека в течение длительного времени, максимизируя функцию мозга при минимизации использования энергии.
Именно здесь полупроводниковая индустрия занимает от биологии, по ее словам, и традиционные вычислительные архитектуры ориентированы на удовлетворение требований к мощности в основном потому, что «энергия потребляется всякий раз, когда процессор и память общаются». Напротив, Синапсы мозга содержат память и арифметику в единой архитектуре, и она объясняет, что эта изобретательная техника обеспечивает основу для компьютерной архитектуры, не относящейся к фон Нейману, с мозгом.
Суть принципов работы, основанных на мозге, заключается в таких вещах, как кодирование шипов и пластичность, зависящая от спайка (STDP) и т. Д. Она указывает, что с точки зрения состояния нейронов, закодированных в системе : В прошлом нейроны кодировались с использованием аналогов или чисел, однако самая последняя тенденция в нейроморфных вычислениях заключается в кодировании значения нейрона как импульса или всплеска, и она объясняет: «Нейроны не имеют часов и чисто ориентированы на события из '.
Научное сообщество считает, что кодирование шипов и STDP обещают. Если входной / выходной сигнал представлен импульсом (шип), умножение между входным сигналом и синаптическим весом будет падать на стробирование на синаптическом уровне. Целью здесь является снижение энергопотребления за счет настройки представления сигнала на основе шипов или событий на основе гетерогенной схемы.
Это так же, как технология обработки изображений, основанная на событиях Chronocam? Она ответила: «Да, но решение Chronocam нацелено на« видение »искусственной сетчатки, и наша промышленная миссия - применять нейроморфные принципы Расширяйтесь за пределами всей вычислительной области за пределами зрения ».
De Salvo сказал, что IBM TrueNorth является идеальным примером невроморфного CMOS-чипа. В настоящее время DynapSEL, динамический нейроморфный процессор, построенный с 28-нм FD-SOI, представляет собой крупномасштабный многоядерный нейроморфный процессор В качестве другого примера, DynapSEL в настоящее время является одной из программ развития в рамках Европейской совместной исследовательской программы NeuRAM 3.
В то время как нейроны в TrueNorth обрабатываются в цифровом виде, DynapSEL аналогичен, однако ни один из этих микросхем эффективно не выполняет полную мощность нейроморфной системы, поскольку память не основана на функционировании нейроморфологии.
Научное сообщество пытается приблизить память к процессору, революционизировав традиционную иерархию памяти и внедряя «вычисления в памяти». До сих пор нейроморфное аппаратное обеспечение еще не достигло своего полного потенциала, Де Салво сказал: Нам нужно использовать 3D-архитектуры с высокой плотностью плотности в нейроморфных вычислениях », чтобы обеспечить максимальную связность и реконфигурацию между нейронами и синапсами.
Мозг насекомых
Теперь мы знаем, что в нашем мозгу насчитывается 100 миллиардов нейронов, а у умных насекомых, таких как пчелы, около 950 000 нейронов около 1 мм кубического мозга. Дельво отметил, что у всех видов насекомых мозг пчел является самым большим Она сказала: «Мы овладели картированием нейронов в мозгу пчелы, но мы мало знаем о нейронах в человеческом мозге».
Ученые стремятся профилировать мозг пчел, потому что «пчелы очень умны». У пчел есть много датчиков, которые могут перемещаться по своим средствам навигации и знать, как общаться в одной группе. Чтобы жить вместе в группе, пчелы должны Знайте функцию других пчел.
«Конечно, мозг пчелы мал, но его упрощенная форма является хорошей моделью для системы ИИ», - сказал Де Сальво: «Это подчеркивает необходимость мыслить систематически, потому что организм не отделяет датчик от сигнала процесс ".
AI последний прогресс?
Десять лет назад никто не мог представить себе прорыв, который мы видим сейчас в ИИ.
Однако, по словам Де Сальво, индустрия может слишком быстро переключить свой фокус на приложения ИИ из-за перспективы ИИ, на самом деле она сказала: «Нам еще не хватает полного понимания системы ИИ ... точно так же, как глубокое обучение».
Она объяснила, что существует скрытое наслаждение в глубоком обучении и возникающая сложность системы, из-за которой трудно сказать, какие атрибуты имеют наибольшую ответственность за улучшение производительности ». По сравнению с общим интеллектом, обучением, абстракцией и рассуждениями Достигнутая распространенность все еще очень ограничена.
Глубокое обучение превосходно с точки зрения классификации, но «предсказание остается фундаментальной проблемой в нейронных вычислениях», Делво сказал: «Недавно нейронная сеть не смогла выполнить простые задачи, которые люди никогда не пропустили». De Salvo и цитируя A. Nguyen и др., «Глубокие нейронные сети легко обманываются: предсказания с высоким доверием к непризнанным изображениям», она опасается, что В конечном счете, препятствовать развитию рынка и даже «предал доверие пользователей, что привело к серьезным моральным вопросам».
Компиляция: Сьюзан Хонг