MIT宣布新型神經(jīng)網(wǎng)絡芯片功耗降低95%

　　神經(jīng)網(wǎng)絡非常強大，但是它們需要大量的能量。麻省理工學院的工程師們現(xiàn)開發(fā)出了一種新的芯片，可以將神經(jīng)網(wǎng)絡的功耗降低95%，這也許會使得其可在電池驅(qū)動的移動設備上運行。

　　如今智能手機正變得越來越智能，提供了越來越多的人工智能服務，如數(shù)字助理和實時翻譯。但是，為這些服務進行數(shù)據(jù)運算的神經(jīng)網(wǎng)絡通常都在云端，智能手機的數(shù)據(jù)也是在云端來回傳輸。

　　這并不是一種理想的狀態(tài)，因為這需要大量的通信帶寬，并且這意味著潛在的敏感數(shù)據(jù)正在被傳輸并存儲在不受用戶控制的服務器上。但是，圖形處理器的神經(jīng)網(wǎng)絡正常運行需要大量的能量，這使得在電池電量有限的設備上運行神經(jīng)網(wǎng)絡不切實際。

　　麻省理工學院的工程師們現(xiàn)在已經(jīng)設計出了一種芯片，可以大幅降低芯片內(nèi)存和處理器之間來回傳輸數(shù)據(jù)的需求，從而降低95%的功耗。神經(jīng)網(wǎng)絡由成千上萬個一層層相互連接的人工神經(jīng)元組成。每個神經(jīng)元接收來自其下一層的多個神經(jīng)元的輸入，并且如果這一組合輸入通過了一個特定的閾值，它就會將輸出傳送到上層的多個神經(jīng)元上。神經(jīng)元之間的連接強度是由在訓練期間設定的權重控制的。

　　這意味著，對于每個神經(jīng)元，芯片必須檢索特定連接的輸入數(shù)據(jù)和來自內(nèi)存的連接權重，將它們相乘，存儲結果，然后在每一次輸入時重復這個過程。這需要大量的數(shù)據(jù)移動，也因此需要消耗大量的能量。麻省理工學院的新芯片另辟蹊徑，使用模擬電路，在內(nèi)存中并行計算所有輸入。這大大減少了需要被推進的數(shù)據(jù)量，并最終能節(jié)省大量的能源。這種方法要求連接的權重為二進制而不是一系列的值，但是先前的理論工作表明這不會對芯片的準確性造成太大影響，研究人員發(fā)現(xiàn)芯片的結果基本上包括在標準計算機上運行的傳統(tǒng)非二進制神經(jīng)網(wǎng)絡的2%到3%之內(nèi)。

　　這并不是研究人員第一次在內(nèi)存中創(chuàng)建處理數(shù)據(jù)的芯片，以減少神經(jīng)網(wǎng)絡的功耗，但這是第一次使用這種方法來運行基于圖像的人工智能應用程序的強大的卷積神經(jīng)網(wǎng)絡。IBM人工智能副總裁達里奧·吉爾在一份聲明中說：“研究結果顯示，在使用內(nèi)存陣列進行卷積運算時，它的性能令人印象深刻。它肯定會為未來物聯(lián)網(wǎng)的圖像和視頻分類提供更復雜的卷積神經(jīng)網(wǎng)絡。”

　　然而，不僅僅是研究小組在研究這個問題。讓智能手機、家用電器、各種物聯(lián)網(wǎng)設備等設備搭載人工智能的愿望，正驅(qū)使著硅谷的大佬們紛紛轉戰(zhàn)低功耗人工智能芯片。

　　蘋果已經(jīng)將其NeuralEngine芯片整合到iPhoneX中，以增強其面部識別技術等功能。據(jù)傳，亞馬遜正在為下一代Echo數(shù)字助手開發(fā)自己的定制AI芯片。大型芯片公司也越來越傾向于支持像機器學習這樣的高級功能，這也迫使他們讓設備升級，變得更加節(jié)能。今年早些時候，ARM公司推出了兩款新芯片：ARM機器學習處理器，這一款芯片主要針對人工智能任務，從翻譯到面部識別，另一款則是用于檢測圖像中人臉的ARM對象檢測處理器。

　　高通最新推出的移動芯片驍龍845配備了圖形處理器，并且將人工智能視為重中之重。該公司還發(fā)布了驍龍820E芯片，主要面向的是無人機、機器人和工業(yè)設備。從更長遠來說，IBM和英特爾正在開發(fā)一種神經(jīng)形態(tài)芯片，其架構是從人類大腦和其驚人的能量效率啟發(fā)而來。從理論上講，這可以讓IBM的TrueNorth芯片和英特爾的Loihi芯片僅花費傳統(tǒng)芯片所需要的能量的一小部分，便可運行強大的機器學習，不過在現(xiàn)階段，這兩種技術仍處于高度實驗階段。

　　讓這些芯片運行與云計算服務一樣強大的神經(jīng)網(wǎng)絡將是一個巨大的挑戰(zhàn)。但以目前的創(chuàng)新速度來看，離你觸手可及真正的人工智能的那一天不會太久。