211service.com
IBM plāno komercializēt savu smadzeņu iedvesmoto mikroshēmu
Pagājušā gada augustā IBM atklāja mikroshēmu, kas izstrādāta, lai darbinātu kaut ko līdzīgu smadzeņu neironiem un sinapsēm (skatiet IBM mikroshēmu procesa datus, kas līdzīgi jūsu smadzenēm). Tagad uzņēmums ir sācis darbu pie nākamās paaudzes, kuras mērķis ir uzlabot mobilās ierīces tādu uzdevumu veikšanai, kas ir viegli smadzenēm, bet grūti datoriem, piemēram, runas atpazīšana un attēlu interpretācija.
IBM izstrādāja šo mikroshēmu, lai aizņemtos principus, kas darbojas smadzenēs, un tagad strādā pie versijas, kas varētu padarīt mobilās ierīces viedākas.
Mēs strādājam pie nākamās paaudzes mikroshēmas, bet vissvarīgākais šobrīd ir komerciālie partneri, saka Džons Kellijs, IBM vecākais viceprezidents, kurš pārrauga IBM Research un vairākas biznesa vienības, tostarp divas, kas veltītas uzņēmuma Watson iekārtu komplektam. izlūkošanas programmatūra. Uzņēmumi to varētu iekļaut visdažādākajās mobilajās ierīcēs, iekārtās, automobiļos.
Smadzeņu iedvesmotu mikroshēmu pievienošana tādiem produktiem kā tālruņi varētu padarīt tos spējīgus atpazīt visu, ko saka to īpašnieki, un izsekot apkārt notiekošajam, saka Kellija. Tuvākās mūsdienu ierīces ir noteiktu atslēgvārdu uzklausīšana. Apple jaunāko iPhone tālruni var pamodināt, sakot Hei Siri, un dažus tālruņus, kas izmanto Google programmatūru, var pamodināt ar frāzi OK Google.
IBM TrueNorth mikroshēmu arhitektūra, kā to sauc, tika izstrādāta, izmantojot DARPA finansētu programmu, kas paredzēta, lai ļautu mobilajiem datoriem darbināt uzlabotas mašīninteliģences programmatūru, piemēram, attēlu vai runas atpazīšanu, neizmantojot mākoņdatošanas infrastruktūru un izmantojot ļoti maz jaudas (skatiet Thinking In Silicon ).
Kellija saka, ka IBM apspriežas ar vadošajiem datorsistēmu ražotājiem par to, kā TrueNorth dizaini varētu viņiem palīdzēt, taču atsakās nosaukt nevienu. Viņš saka, ka mēs runājam ar to, kurš ir kurš mobilajā telpā un IoT [lietu interneta] telpā. TrueNorth mikroshēma tiks pievienota ierīču projektiem kā kopprocesors, kas darbojas kopā ar parasto procesoru un nekad neizslēdzas, saka Kellijs.
Pagājušā gada augustā atklātā TrueNorth mikroshēma ir aptuveni pastmarkas lielumā, un tajā ir viens miljons silīcija neironu ar 256 miljoniem savienojumu starp tiem, kas ir analogi sinapsēm, kas savieno īstus neironus. Mikroshēma patērē vairāk nekā 1000 reižu mazāk enerģijas nekā parastais līdzīga izmēra procesors. IBM ir parādījis, kā tā neironu tīklu var ieprogrammēt, lai veiktu tādus uzdevumus kā dažādu transportlīdzekļu atpazīšana videomateriālā reāllaikā.
Tomēr, tā kā TrueNorth mikroshēmas arhitektūra ļoti atšķiras no esošajiem datoriem, programmatūras rakstīšanai ir nepieciešamas jaunas pieejas. Un tā viltotie neironi darbojas savādāk nekā uz programmatūru balstītie mākslīgie neironu tīkli, kurus nesen izmantoja tādi uzņēmumi kā Google, Facebook un Microsoft, lai panāktu izrāvienu runas un attēlu apstrādē, izmantojot metodi, kas pazīstama kā dziļā mācīšanās (sk. 10 Breakthrough Technologies 2013: Deep Mācīšanās).
Neironi IBM TrueNorth arhitektūrā kodē datus, izmantojot elektriskos ieslēgšanas un izslēgšanas tapas, mēģinot atdarināt bioloģisko neironu signālus. Simulētie neironi, ko izmanto dziļajā mācībā, neizmanto tapas.
Nav pierādīts, ka mākslīgie neironu tīkli, kas izmanto smailos neironus, tostarp IBM, atbilst veiktspējai, kas sasniegta, izmantojot dziļu mācīšanos tādos uzdevumos kā runas atpazīšana vai attēlu apstrāde. Jans Lekuns (Yann LeCun), kurš vada Facebook AI pētniecības laboratoriju un palīdzēja padziļinātas mācīšanās pionierim pauda skepsi ka tas būs praktiski izdarāms.
Dharmendra Modha, kurš vada IBM smadzeņu iedvesmoto mikroshēmu izstrādi, norāda, ka palielināšana ir kritiska, ja neironu tīklus paredzēts darbināt mikroshēmā ar augstu jaudas efektivitāti. Viņš saka, ka viņa komanda ir sākusi radīt rīkus, kas ļaus pārsūtīt apmācītus dziļās mācīšanās neironu tīklus uz TrueNorth mikroshēmu.
Viņš saka, ka šī mikroshēma tika iecerēta kā substrāts, uz kura var kartēt dažādus neironu tīklus reāllaika, īpaši zemas enerģijas un īpaši maza apjoma lietojumprogrammām.
Terenss Sejnovskis , Solkas Bioloģisko pētījumu institūta skaitļošanas neirobioloģijas laboratorijas vadītājs, piekrīt, ka neironu palielināšanās ir svarīga, lai kompakti datori spētu veikt viedas lietas, neizmantojot jaudu vai pieskaroties mākoņam. Viņi dabā parādījās kāda iemesla dēļ, viņš saka.
Jauns pētījums no cita dziļas mācīšanās pioniera, Jošua Bendžo Monreālas Universitātes zinātājs liecina, ka tehnikas precizitāti varētu vieglāk pārnest uz aparatūras neironiem, nekā tika uzskatīts iepriekš, saka Sejnovskis. Bengio, kurš sadarbojas ar IBM valodu programmatūras jomā, ievietoja a provizoriskais papīrs Pagājušajā nedēļā tiešsaistē tika parādīts, ka simulēto neironu pielāgošana padziļinātajā apmācībā tādā veidā, kas padara tos vairāk līdzīgu neironiem ar smailēm, nekaitē attēla apstrādes precizitātei.
Pat ja IBM smadzeņu mikroshēmu arhitektūra ir saskaņota ar dziļas mācīšanās paņēmieniem, tai būs konkurence. Google jau strādā pie veidiem, kā izjaukt mākslīgos neironu tīklus, lai tie darbotos esošajās mobilajās ierīcēs (skatiet sadaļu Google App ievieto neironu tīklus jūsu tālrunī ). Vairāki uzņēmumi, tostarp vadošais mobilo procesoru dizainers Qualcomm, strādā pie mikroshēmu projektiem, kas darbinātu esošo dziļās apmācības programmatūru mobilajos datoros, piemēram, tālruņos vai automašīnās (skatiet Silīcija mikroshēmas, kas padarīs jūsu viedtālruni izcilu).