這場競賽的最新突破包括新的芯片架構，它以一種與我們以前看到的完全不同的方式執(zhí)行計算。通過觀察它們的功能，我們可以了解到未來幾年可能出現(xiàn)的人工智能應用。
神經(jīng)形態(tài)芯片
神經(jīng)網(wǎng)絡是深度學習的關鍵，它由成千上萬個小程序組成，這些小程序通過進行簡單的計算來執(zhí)行復雜的任務，如檢測圖像中的物體或?qū)⒄Z音轉(zhuǎn)換成文本。
但是傳統(tǒng)的計算機并沒有對神經(jīng)網(wǎng)絡操作進行優(yōu)化。相反，它們由一個或幾個強大的中央處理器（CPU）組成。神經(jīng)形態(tài)計算機使用另一種芯片結(jié)構來物理地表示神經(jīng)網(wǎng)絡。神經(jīng)形態(tài)芯片是由許多物理人工神經(jīng)元組成的，這些神經(jīng)元直接與軟件對應。這使得他們在訓練和運行神經(jīng)網(wǎng)絡方面特別快。
神經(jīng)形態(tài)計算的概念早在20世紀80年代就已經(jīng)存在，但由于神經(jīng)網(wǎng)絡的效率太低而被忽略，因此沒有引起太多關注。近年來，隨著人們對深度學習和神經(jīng)網(wǎng)絡的興趣重燃，神經(jīng)形態(tài)芯片的研究也受到了新的關注。
今年7月，一組中國研究人員推出了一種名為“天啟”的神經(jīng)形態(tài)芯片，它可以解決很多問題，包括目標檢測、導航和語音識別。研究人員將該芯片集成到一輛自動駕駛自行車中，讓它對語音指令做出反應，從而展示了芯片的功能。研究人員在《自然》雜志上發(fā)表的一篇論文中指出，預計我們的研究將為更通用的硬件平臺鋪平道路，從而刺激AGI（人工一般智能）的發(fā)展。
雖然沒有直接證據(jù)表明神經(jīng)形態(tài)芯片是創(chuàng)造人工智能的正確途徑，但它們肯定會幫助創(chuàng)造更高效的人工智能硬件。
神經(jīng)形態(tài)芯片已經(jīng)吸引了大量科技企業(yè)的目光。今年早些時候，英特爾推出Pohoiki Beach，多達64顆英特爾Loihi神經(jīng)形態(tài)芯片，能夠模擬800萬個人工神經(jīng)元。據(jù)英特爾稱，Loihi處理信息的速度比傳統(tǒng)處理器快1000倍，效率比傳統(tǒng)處理器高10000倍。
光學計算
神經(jīng)網(wǎng)絡和深度學習計算需要大量的計算資源和電力。人工智能的碳足跡已經(jīng)成為一個環(huán)境問題。神經(jīng)網(wǎng)絡的能源消耗也限制了它們在電力有限的環(huán)境中的應用，比如電池供電的設備。
隨著摩爾定律繼續(xù)放緩，傳統(tǒng)的電子芯片正努力跟上人工智能行業(yè)日益增長的需求。
幾家公司和研究實驗室已轉(zhuǎn)向光學計算，以尋求解決人工智能行業(yè)的速度和電力挑戰(zhàn)的方案。光學計算用光子代替電子，用光學信號代替數(shù)字電子來進行計算。
光學計算設備不像銅電纜那樣產(chǎn)生熱量，這大大降低了它們的能源消耗。光學計算機也特別適用于快速矩陣乘法，這是神經(jīng)網(wǎng)絡中的關鍵運算之一。
在過去的幾個月里，出現(xiàn)了幾款光學人工智能芯片的原型機?？偛课挥诓ㄊ款D的Lightelligence開發(fā)了一種光學人工智能加速器，該加速器與當前的電子硬件兼容，通過優(yōu)化一些繁重的神經(jīng)網(wǎng)絡計算，可以將人工智能模型的性能提高一到兩個數(shù)量級。Lightelligence工程師表示，光學計算的進步還將降低人工智能芯片的制造成本。
最近，香港科技大學的一組研究人員開發(fā)了一種全光神經(jīng)網(wǎng)絡。目前，研究人員已經(jīng)開發(fā)了一個概念驗證模型，模擬一個具有16個輸入和2個輸出的完全連接的雙層神經(jīng)網(wǎng)絡。大規(guī)模的光學神經(jīng)網(wǎng)絡可以以光速和較低的能耗運行從圖像識別到科學研究等計算密集型應用。
超大芯片
今年8月，硅谷初創(chuàng)企業(yè)Cerebras Systems推出了一款包含1.2萬億晶體管的大型人工智能芯片。大小為42225平方毫米，Cerebras芯片比最大的英偉達圖形處理器大50多倍。
大型芯片加快了數(shù)據(jù)處理速度，能夠以更快的速度訓練人工智能模型。與GPU和傳統(tǒng)CPU相比，Cerebras獨特的結(jié)構也降低了能耗。
當然，芯片的尺寸將限制其在有限空間的環(huán)境下的使用。Cerebras最近與美國能源部簽訂了第一份合同。美國能源部將利用該芯片加速科學、工程和健康領域的深度學習研究。
考慮到各種各樣的行業(yè)和領域都在尋找用于深度學習的應用程序，單一架構幾乎不可能主導市場。但可以肯定的是，未來的人工智能芯片很可能與我們電腦和服務器上幾十年來的經(jīng)典CPU大不相同。
