打造类脑芯片!英特尔新系统彻底放弃比特制,专攻神经形态

励志文章 阅读(841)

  PingWest品玩昨天我要分享

忘记位:新时代的计算机将能够处理神经信号,如人脑。

文本|光谱

神经网络人工智能背后的技术,机器学习的实现方式,我们再也不能熟悉了。

虽然作为一种非常复杂的技术,但不难描述它:开发一种模拟人脑连接结构的算法或软件来设计它的工作原理。

然而,在一群人眼中,人工神经网络仍然不是人脑最准确的恢复。问题是运行这些神经网络仍然是一个普通的计算机,如CPU,GPU,TPU,FPGA等。这些集成电路的运行机制仍然是位,即晶体管上电和表示断电,计算机可以理解的状态差异。

在包括人类在内的大多数生物的大脑中,没有比特的奇偶性。大脑不会使用1和0来理解事物。如今,计算机在极其复杂的传统计算任务上表现得比人类强大得多,但它们似乎无法克服“上帝”设计的一些障碍,例如获得意识和理解。不仅如此,人类获得一些新功能只需要很短的时间,而且需要大量的神经网络培训。

这个小组坚持另一个想法:神经形态计算。简单地说:人造大脑。

英特尔不是第一家进行神经形态计算的技术公司。事实上,小发猫和康奈尔大学在2014年也做了类似的事情。但是,英特尔最近在计算神经形态方面取得了重要进展。

上周,该公司发布了第一个代号为Pohoiki Beach的大型神经形态计算系统。该系统的核心是英特尔于2017年制造的神经形态处理器Loihi,由64块组成。

Loihi处理器放在一块名为Nahuku的板上。单个板可以容纳不等数量的处理器。 Pohoiki海滩由64个Loihi处理器组成。

Loihi神经形态计算处理器

虽然Loihi看起来仍然像普通芯片,但实际上即使是包装也没有任何区别。它与常规芯片的工作方式有很大不同。

如前所述,无论是针对图形计算和神经网络计算优化的通用CPU,GPU和GPGP,它们都以位为单位编码?荩炊剖郑础翱焙汀肮亍薄W刺?

Loihi不仅仅是“为人工智能定制”的处理器。它不使用位来编码数据:每个Loihi内部有多达130,000个人类神经元,以及这些神经元之间的接触点(生物学中存储的“神经尖峰”信号的形状和频率称为突触非常类似于人脑神经元突触的工作原理[1]。

简单来说,人工神经网络在软件架构中模仿人脑,而Loihi和当前主流的神经形态计算设备在硬件设计中追求人脑。

在整个Pohoiki海滩[2],Pohoiki海滩的神经元数量已超过果蝇和蚂蚁的数量,达到了被称为“水白鼠”的斑马鱼水平。

与许多被认为具有智慧的非智能生物相比,英特尔目前的神经元水平仍然可怜。然而,这种神经形态计算架构的最大优势之一是其可扩展性。

去年年底,加拿大滑铁卢大学的研究人员使用两个语音关键词识别器(两层和100层神经网络)来运行Loihi处理器和传统芯片,如CPU和GPU。

他们发现,在同一个双层神经网络中,Loihi的能耗不到GPU的1%,甚至低于专为低功耗神经网络推理而设计的asic(英特尔神经网络计算棒)。

当神经网络层数增加到100(50倍)时,Loihi的能耗仅增加30%,并且维持实时计算的能力仍在继续;而目标低功耗处理器的能耗增加了500倍而无法维持。实时功能。

Nahuku电路板

Pohoiki Beach具有多达64个Loihi处理器,可扩展神经形态计算的功能和实时优势。英特尔认为,神经形态计算技术将为无监督学习,视觉空间定位(SLAM)和路径规划领域的研究人员带来极大的效率。

总之,在神经形态计算架构上训练神经网络的高可扩展性和速度在传统架构(CPU,GPU和各种FPGA)中是无与伦比的。

去年,英特尔围绕神经形态计算建立了一个研究计划,并正在寻找各种行业的技术使用场景。值得庆祝的是,在桌上足球和机械修复领域,神经形态计算已证明其强大的适应性。

在下图中,基于Loihi处理器的运动控制装置安装在假体上。当穿着者在行走时遇到意外情况时,假肢可以更快地判断环境,并在一定程度上模仿人脑的“潜意识”神经活动,使穿着者能够轻松保持平衡。

b

英特尔仍在继续建立神经元量级,并宣?技苹诮衲昴甑浊胺⒉忌窬翁扑阆低砅ohoiki Springs,其中有1亿个神经元。这个水平已达到痣的水平,但它有860亿个神经元。而且这种联系的复杂性远远不是已知生物体中排名第一的人类。

但至少可以肯定的是,人类在用无机电路模拟有机神经元方面迈出了重要的一步。

与此同时,我们也不能忽视,赶上人类的机器智能的步伐也在加快。越接近看似命运的未来,人类就越需要建立足够的机制来确保这一过程不会导致他们自己的死亡。

[1] Intel'sNewSelf-LearningChipPromisestoAccelerateArtificialIntelligence

[2] Listofanimalsbynumberofneurons

喜欢这篇文章?

2)将其分享给您的朋友和小组圈

3)关注硅星!

收集报告投诉

忘记位:新时代的计算机将能够处理神经信号,如人脑。

文本|光谱

神经网络人工智能背后的技术,机器学习的实现方式,我们再也不能熟悉了。

虽然作为一种非常复杂的技术,但不难描述它:开发一种模拟人脑连接结构的算法或软件来设计它的工作原理。

然而,在一群人眼中,人工神经网络仍然不是人脑最准确的恢复。问题是运行这些神经网络仍然是一个普通的计算机,如CPU,GPU,TPU,FPGA等。这些集成电路的运行机制仍然是位,即晶体管上电和表示断电,计算机可以理解的状态差异。

在包括人类在内的大多数生物的大脑中,没有比特的奇偶性。大脑不会使用1和0来理解事物。如今,计算机在极其复杂的传统计算任务上表现得比人类强大得多,但它们似乎无法克服“上帝”设计的一些障碍,例如获得意识和理解。不仅如此,人类获得一些新功能只需要很短的时间,而且需要大量的神经网络培训。

这个小组坚持另一个想法:神经形态计算。简单地说:人造大脑。

英特尔不是第一家进行神经形态计算的技术公司。事实上,小发猫和康奈尔大学在2014年也做了类似的事情。但是,英特尔最近在计算神经形态方面取得了重要进展。

上周,该公司发布了第一个代号为Pohoiki Beach的大型神经形态计算系统。该系统的核心是英特尔于2017年制造的神经形态处理器Loihi,由64块组成。

Loihi处理器放在一块名为Nahuku的板上。单个板可以容纳不等数量的处理器。 Pohoiki海滩由64个Loihi处理器组成。

Loihi神经形态计算处理器

虽然Loihi看起来仍然像普通芯片,但实际上即使是包装也没有任何区别。它与常规芯片的工作方式有很大不同。

如前所述,无论是针对图形计算和神经网络计算优化的通用CPU,GPU和GPGP,它们都以位为单位编码数据,即二进制数字,即“开”和“关”。状态。

Loihi不仅仅是“为人工智能定制”的处理器。它不使用位来编码数据:每个Loihi内部有多达130,000个人类神经元,以及这些神经元之间的接触点(生物学中存储的“神经尖峰”信号的形状和频率称为突触非常类似于人脑神经元突触的工作原理[1]。

简单来说,人工神经网络在软件架构中模仿人脑,而Loihi和当前主流的神经形态计算设备在硬件设计中追求人脑。

在整个Pohoiki海滩[2],Pohoiki海滩的神经元数量已超过果蝇和蚂蚁的数量,达到了被称为“水白鼠”的斑马鱼水平。

与许多被认为具有智慧的非智能生物相比,英特尔目前的神经元水平仍然可怜。然而,这种神经形态计算架构的最大优势之一是其可扩展性。

去年年底,加拿大滑铁卢大学的研究人员使用两个语音关键词识别器(两层和100层神经网络)来运行Loihi处理器和传统芯片,如CPU和GPU。

他们发现,在同一个双层神经网络中,Loihi的能耗不到GPU的1%,甚至低于专为低功耗神经网络推理而设计的asic(英特尔神经网络计算棒)。

当神经网络层数增加到100(50倍)时,Loihi的能耗仅增加30%,并且维持实时计算的能力仍在继续;而目标低功耗处理器的能耗增加了500倍而无法维持。实时功能。

Nahuku电路板

Pohoiki Beach具有多达64个Loihi处理器,可扩展神经形态计算的功能和实时优势。英特尔认为,神经形态计算技术将为无监督学习,视觉空间定位(SLAM)和路径规划领域的研究人员带来极大的效率。

总之,在神经形态计算架构上训练神经网络的高可扩展性和速度在传统架构(CPU,GPU和各种FPGA)中是无与伦比的。

去年,英特尔围绕神经形态计算建立了一个研究计划,并正在寻找各种行业的技术使用场景。值得庆祝的是,在桌上足球和机械修复领域,神经形态计算已证明其强大的适应性。

在下图中,基于Loihi处理器的运动控制装置安装在假体上。当穿着者在行走时遇到意外情况时,假肢可以更快地判断环境,并在一定程度上模仿人脑的“潜意识”神经活动,使穿着者能够轻松保持平衡。

b

英特尔仍在继续建立神经元量级,并宣布计划在今年年底前发布神经形态计算系统Pohoiki Springs,其中有1亿个神经元。这个水平已达到痣的水平,但它有860亿个神经元。而且这种联系的复杂性远远不是已知生物体中排名第一的人类。

但至少可以肯定的是,人类在用无机电路模拟有机神经元方面迈出了重要的一步。

与此同时,我们也不能忽视,赶上人类的机器智能的步伐也在加快。越接近看似命运的未来,人类就越需要建立足够的机制来确保这一过程不会导致他们自己的死亡。

[1] Intel'sNewSelf-LearningChipPromisestoAccelerateArtificialIntelligence

[2] Listofanimalsbynumberofneurons

喜欢这篇文章?

2)将其分享给您的朋友和小组圈

3)关注硅星!