Всего спустя один день после сообщения о том, что разработчикам Массачуссетского технологического института (MIT) удалось создать сверхмаломощный чип для шифрования, в MIT заявили о разработке нового нейросетевого чипа, который снижает потребление энергии на 95 процентов. Эта способность делает их идеальными для применения в гаджетах с батарейным питанием, таких как мобильные телефоны и планшеты, позволяя  воспользоваться преимуществами более сложных нейронных сетевых систем.

Создан новый чип, который расширяет возможности применения ИИ в смартфонах

Нейронные сети состоят из множества базовых взаимосвязанных информационных процессоров. Как правило, эти сети учатся выполнять задачи, анализируя огромные массивы данных и применяя эти навыки к решению новых задач. Сегодня их используют в таких типовых задачах, как распознавание речи, манипулирование фотографиями, а также воспроизведение того, что на самом деле видит ваш мозг, или придумывание причудливых текстов для пикапа и названий для крафтового пива.

Проблема в том, что нейронные сети слишком велики, а вычисления, проводимые ими, являются энергоемкими. По этой причине те сети, которые применяются в вашем телефоне, как правило, крошечные, и это ограничивает их функциональность. В дополнение к снижению мощности новый чип увеличивает скорость вычислений нейронных сетей от трех до семи раз по сравнению с более ранними версиями. Исследователям удалось упростить алгоритмы машинного обучения в нейронных сетях до одного пункта, называемого скалярным произведением. Это дает возможность осуществлять перемещение различных узлов в нейронной сети назад и вперед и устраняет необходимость передавать каждый раз эти данные в память, как в предыдущих проектах. Новый чип может вычислять скалярные произведения для нескольких узлов (16 узлов в прототипе) за один шаг вместо перемещения исходных результатов каждого вычисления между процессором и памятью.

Вице-президент IBM по ИИ Дарио Гил считает, что это является огромным шагом вперед. «Это, безусловно, откроет возможность использовать более сложные сверточные нейронные сети для классификации изображений и видео в Интернете вещей в будущем», — сказал он.


Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *