随着社会转向人工智能解决越来越多领域的问题，我们看到了一场军备竞赛：创造能够以更高速度和更低功耗运行深度学习模型的特殊硬件。

本次竞赛的最新突破包括一种新的芯片架构，它以与我们之前看到的完全不同的方式执行计算。通过观察它们的功能，我们可以了解人工智能在未来几年可能的应用。

神经形态芯片

神经网络是深度学习的关键。它由成千上万个小程序组成，通过简单的计算来执行复杂的任务，例如检测图像中的对象或将语音转换为文本。

然而，传统的计算机并没有优化神经网络的运行。相反，它们由一个或几个强大的中央处理器组成。神经形态计算机使用另一种芯片结构来物理表示神经网络。神经形态芯片由许多物理人工神经元组成，与软件直接对应。这使得它们在训练和运行神经网络方面特别快。

神经形态计算的概念早在20世纪80年代就已经存在，但由于神经网络的效率较低而被忽视，因此没有引起太多的关注。近年来，随着对深度学习和神经网络的重新关注，神经形态学芯片的研究受到了新的关注。

今年7月，一批中国研究人员推出了一款名为“天启”的神经形态芯片，可以解决很多问题，包括目标检测、导航和语音识别。研究人员将该芯片集成到自动驾驶自行车中，并使其响应语音命令，从而展示了该芯片的功能。在《自然》杂志发表的一篇论文中，研究员指出，预计我们的研究将为更通用的硬件平台铺平道路，从而刺激AGI(人工通用智能)的发展。

虽然没有直接证据表明神经形态芯片是创造人工智能的正确方法，但它们肯定有助于创造更高效的人工智能硬件。

神经形态芯片吸引了大量科技企业的关注。今年早些时候，英特尔推出了Pohoiki Beach，它拥有64个英特尔Loihi神经形态芯片，可以模拟800万个人工神经元。根据英特尔的说法，Loihi的速度是传统处理器的1000倍，效率是传统处理器的10000倍。

光学计算

神经网络和深度学习计算需要大量的计算资源和计算能力。人工智能的碳足迹已经成为一个环境问题。神经网络的能量消耗也限制了其在功率受限环境中的应用，例如电池供电的设备。

随着摩尔定律的持续放缓，传统电子芯片正试图跟上人工智能行业日益增长的需求。

几家公司和研究实验室已经转向光学计算，以寻找解决人工智能行业速度和功率挑战的方法。光子代替电子，光信号代替数字电子进行计算。

光学计算设备不像铜缆那样产生热量，这大大降低了它们的能耗。光学计算机也特别适合快速矩阵乘法，这是神经网络中的关键运算之一。

在过去的几个月里，已经出现了几个光学人工智能芯片的原型。总部位于波士顿的Lightelligence开发了一种光学人工智能加速器，与当前的电子硬件兼容。通过优化一些繁重的神经网络计算，可以将人工智能模型的性能提高一两个数量级。据Lightelligence工程师介绍，光学计算的进步也将降低人工智能芯片的制造成本。

最近，香港科技大学的一组研究人员开发了一种全光神经网络。目前，研究人员已经开发了一个概念证明模型来模拟一个具有16个输入和2个输出的全连接双层神经网络。大规模光学神经网络可以以光速和低能耗运行计算密集型应用，如图像识别和科学研究。

超大芯片

今年8月，硅谷初创公司大脑系统公司(Cerebras Systems)推出了一款拥有1.2万亿晶体管的大型人工智能芯片。大脑芯片的尺寸为42，225平方毫米，比最大的NVIDIA图形处理器大50多倍。

大芯片加快了数据处理速度，可以以更快的速度训练人工智能模型。与GPU和传统CPU相比，大脑独特的结构也降低了能耗。

当然，芯片的尺寸会限制其在有限空间环境中的使用。最近，大脑公司与美国能源部签署了第一份合同。美国能源部将使用该芯片加速科学、工程和健康领域的深度学习研究。

考虑到各个行业和领域都在寻找深度学习的应用，单一架构几乎不可能主导市场。但可以肯定的是，未来的人工智能芯片与我们计算机和服务器上几十年来的经典CPU有很大不同。

郑重声明：本文版权归原作者所有。转载文章只是为了传播更多的信息。如果作者信息标注有误，请第一时间联系我们修改或删除。谢谢你。

免责声明： 本文由用户上传，如有侵权请联系删除！

标签：