神經(jīng)網(wǎng)絡(luò)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(luò)的功耗降低95%，這也許會使得其可在電池驅(qū)動的移動設(shè)備上運行。 S1wt>}w0$  
Fkj\U^G  
　　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(wù)，如數(shù)字助理和實時翻譯。但是，為這些服務(wù)進行數(shù)據(jù)運算的神經(jīng)網(wǎng)絡(luò)通常都在云端，智能手機的數(shù)據(jù)也是在云端來回傳輸。 !NK8_p|X  
-ZH]i}$  
　　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(wù)器上。但是，圖形處理器的神經(jīng)網(wǎng)絡(luò)正常運行需要大量的能量，這使得在電池電量有限的設(shè)備上運行神經(jīng)網(wǎng)絡(luò)不切實際�！　� 8$-Wz:X&  
R>BI;IcX  
　　麻省理工學院的工程師們現(xiàn)在已經(jīng)設(shè)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(luò)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(shè)定的權(quán)重控制的。 {w}
PV5<  
"EF:+gi#"  
　　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(quán)重，將它們相乘，存儲結(jié)果，然后在每一次輸入時重復(fù)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(quán)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(jié)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(luò)的2%到3%之內(nèi)。 ;^lVIS%&{  
%FLz}QW*  
　　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(luò)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(yīng)用程序的強大的卷積神經(jīng)網(wǎng)絡(luò)。IBM人工智能副總裁達里奧·吉爾在一份聲明中說：“研究結(jié)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(fù)雜的卷積神經(jīng)網(wǎng)絡(luò)�！� J6_Hlt  
>Be PE(k  
　　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(shè)備等設(shè)備搭載人工智能的愿望，正驅(qū)使著硅谷的大佬們紛紛轉(zhuǎn)戰(zhàn)低功耗人工智能芯片。 a*6x^R;)  
.l"_f  
　　蘋果已經(jīng)將其Neural Engine芯片整合到iPhone X中，以增強其面部識別技術(shù)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(shè)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(wù)，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。 Yn[y9;I{  
/!oi`8D  
　　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(shè)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(gòu)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(shù)仍處于高度實驗階段。 oHB51< }  
i0Qg[%{9#  
　　讓這些芯片運行與云計算服務(wù)一樣強大的神經(jīng)網(wǎng)絡(luò)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。