Czy Braindrop przyniesie nową erę w sztucznej inteligencji?

Sztuczna inteligencja (AI) oraz procesy nauczania maszynowego dawno przestały być jedynie akademickimi rozważaniami, a stały się poważną gałęzią rynku elektronicznego i informatycznego. Na razie większość operacji związanych ze sztuczną inteligencją wymaga do pracy dużych zasobów pamięci i mocy procesora, często nieosiągalnych w małych aplikacjach IoT i chipach zasilanych z baterii, przez co muszą działać na zasadzie offloadingu - obliczenia wysyłane są do chmur obliczeniowych, gdzie następuje ich przetworzenie. Aby umożliwić przetwarzanie danych lokalnie, naukowcy pracują nad neuroprocesorami (określanymi także procesorami neuromorficznymi) - chipami używającymi sztucznych neuronów, aby imitować swoim działaniem ludzki mózg.

Posłuchaj
00:00

Procesory neuromorficzne mogą być wykorzystywane na mnóstwo sposobów. Wiele aplikacji korzystających z proces deep learningu nie może działać w chmurze ze względu na zbyt duże opóźnienia w komunikacji, z kolei procesor neuromorficzny mógłby analizować dane w czasie rzeczywistym, wykorzystując do tego jedynie kilka mikrowatów mocy, komunikując się z chmurą tylko i wyłącznie w momencie, w którym potrzebne byłoby podjęcie działania przez człowieka. Powinniśmy zastanawiać się, jak możemy opracować sztuczny układ nerwowy do wielu różnych dziedzin. - mówi Kwabena Boahen - profesor Uniwersytetu Stanforda.

Jego najnowszy neuroprocesor - Braindrop - okazał się wydajniejszy od procesorów GPU Nvidia Tesla oraz innych rozwiązań stworzonych wcześniej przez środowiska akademickie. Braindrop został też zaimplementowany w krzemie przy użyciu technologii FDSOI (Fully Depleted Silicon on Isolator) 28 nm. Składa się on z 4096 krzemowych neuronów zaprojektowanych specjalnie do optymalizacji aproksymowania funkcji nieliniowych wykorzystywanych w procesie deep learningu. Innowacyjne rozwiązania zastosowane w procesorze pozwoliły znacząco zmniejszyć wymagania energetyczne Braindropa w stosunku do innych istniejących rozwiązań.

 
Kwabena Boahen, twórca procesora Braindrop

Nie wiemy, jak działa mózg

Największym problemem powstrzymującym badaczy przed stworzeniem w pełni działającego neuroprocesora jest brak wiedzy niezbędnej do jego poprawnego działania. O ile biologiczne procesy zachodzące w mózgu podczas przetwarzania danych oraz działanie komunikacji pomiędzy neuronami są znane, o tyle wciąż wielką niewiadomą pozostaje dokładny proces uczenia się ludzkiego mózgu. Ten kluczowy element układanki skutecznie uniemożliwia stworzenie w pełni sztucznej inteligencji - naukowcy nie są w stanie odtworzyć procesu, którego nigdy nie poznali.

W procesie deep learningu, czyli nauki komputera zadań naturalnych dla ludzkiego mózgu, takich jak rozpoznawanie mowy czy rozpoznawanie obrazów, kluczową funkcję pełni propagacja wsteczna (back propagation) - algorytm uczenia nadzorowanego wielowarstwowych sieci neuronowych. Nie znając sposobu, w jaki realizuje to ludzki mózg, algorytmy propagacji wstecznej stworzone przez naukowców wymagają olbrzymich zasobów pamięci oraz zajmują dużo czasu procesora, by zadziałać akceptowalnie. Mózg ludzki w dalszym ciągu rozwiązuje wybrane problemy dużo szybciej niż najsilniejsze superkomputery, niezależnie od zasobów pamięci, którymi dysponują.

 
Braindrop – struktura i prototypowa płytka

Podobne opinie były prezentowane przez naukowców zajmujących się sztuczną inteligencją i deep learningiem podczas warsztatów NICE - Neuro Inspired Computational Elements. "W mózgu człowieka zachodzi wiele fascynujących algorytmów, które wciąż leżą poza możliwościami deep learningu" - podsumował dyskusje szef działu algorytmów neuromorficznych w Intelu podczas wspomnianych warsztatów.

Powiązane treści
Sztuczna inteligencja zagrożona cyberatakami
Rynek chipów do AI podwoi się w ciągu 5 lat
Google wyprzedza Amazona w segmencie inteligentnych domów
Nvidia wyszkoli 5 tys. osób w zakresie wykorzystywania sztucznej inteligencji
Tiny ML - sztuczna inteligencja dostępniejsza niż kiedykolwiek
Zobacz więcej w kategorii: Gospodarka
Aktualności
Centra danych współczesnymi ciepłowniami?
Komponenty
RS przejmuje Distrelec - powstaje nowy potentat dystrybucji przemysłowej
Komponenty
Generatywna sztuczna inteligencja zmienia globalny rynek procesorów
Aktualności
Samsung otwiera w Warszawie największe centrum biznesowe w Europie
Aktualności
Samsung i OpenAI nawiązują strategiczne partnerstwo na rzecz rozwoju globalnej infrastruktury AI
Produkcja elektroniki
Powstaje gigant wart 4,4 mld dolarów - czwarty co do wielkości dostawca sprzętu do produkcji płytek półprzewodnikowych w USA
Zobacz więcej z tagiem: Projektowanie i badania
Technika
Anteny fraktalne
Technika
Najczęstsze błędy przy projektowaniu elektroniki i jak ich uniknąć
Gospodarka
Koszt projektowania chipów rośnie wykładniczo. Czy sztuczna inteligencja to zatrzyma?

Najczęstsze błędy przy projektowaniu elektroniki i jak ich uniknąć

W elektronice „tanio” bardzo często znaczy „drogo” – szczególnie wtedy, gdy oszczędza się na staranności projektu. Brak precyzyjnych wymagań, komponent wycofany z produkcji czy źle poprowadzona masa mogą sprawić, że cały produkt utknie na etapie montażu SMT/THT albo testów funkcjonalnych. Konsekwencje są zawsze te same: opóźnienia i dodatkowe koszty. Dlatego warto znać najczęstsze błędy, które pojawiają się w projektach elektroniki – i wiedzieć, jak im zapobiegać.
Zapytania ofertowe
Unikalny branżowy system komunikacji B2B Znajdź produkty i usługi, których potrzebujesz Katalog ponad 7000 firm i 60 tys. produktów