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.
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.
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.
