認知電腦是一種試圖重現人腦行為,並且結合了人工智慧及機器學習演算法的晶片,[1]一般採用神經形態工程英语Neuromorphic engineering的方法,其中一例為IBM公司以神經網路英语Neural_network深度學習實現的華生。IBM公司後續還開發了TrueNorth微晶片架構,與傳統電腦中使用的馮·諾依曼架構相比,其設計結構更加接近人腦。2017年,英特爾也公佈了自家版本的認知晶片「Loihi」,於2018年提供給大學及研究實驗室。英特爾、高通和其他公司也正逐步改進神經形態處理器,包括英特爾的Pohoiki Beach和Springs系統。[2][3]

IBM TrueNorth 晶片

编辑
 
具有16個TrueNorth晶片的DARPASyNAPSE英语SyNAPSE電路板

TrueNorth是IBM在2014年生產的神經形態英语Neuromorphic engineeringCMOS積體電路[4],是設計於單晶片上的多核處理器網路,有4096個核心,每個核心有256個可程式設計的模擬神經元,共約一百萬個神經元。每個神經元有256個可程式設計、在彼此間互相傳遞訊號的「突觸」。因此,可程式設計突觸的總數稍多於2.68億(228),其基本電晶體數量為54億。由於記憶、計算和通訊是在4096個神經突觸核心中處理,因此TrueNorth避開了馮-諾伊曼架構瓶頸,且非常節能,IBM聲稱其功耗為70毫瓦,功率密度是傳統微處理器的萬分之一[5]。因為SyNAPSE英语SyNAPSE晶片只會消耗計算所需的功率,因此運作時的功率及溫度較低。[6]Skyrmions已被提議作為晶片上的突觸模型[7]

英特爾 Loihi 晶片

编辑

英特爾的自我學習神經形態晶片「Loihi」(於2017年生產),可能是以夏威夷海山Lō'ihi命名,它依人腦設計,提供了可觀的功率效率。英特爾聲稱,比起訓練與Loihi性能相匹的神經網路所需的通用計算功率,Loihi的功率效率高了約1000倍。理論上,這將同時支援在同一矽晶片上進行機器學習訓練和推理,而不必受到雲端連接的影響,比使用卷積神經網路(CNN)或深度學習神經網路更有效率。英特爾指出,人類心跳監測系統會在運動或進食等事件後讀取數據,然後使用認知計算晶片將資料正規化並算出「正常」心跳,查看是否異常,也可以應對任何新的事件或狀況。

第一版的Loihi晶片使用了英特爾的14奈米製程,有128個叢集,每個叢集有1024個人造神經元英语Artificial neuron,總共有131,072個模擬神經元。[8]這提供了大約1.3億個突觸,與人腦的800萬億個突觸相比仍有相當大的差距,並且落後於IBM的TrueNorth ,後者透過使用64乘以4,096個核心擁有大約2.56億個突觸。[9]現在有40多個學術研究團體能夠出於研究目的以USB的規格使用Loihi。 [10][11]最近的進展包含一個名為Pohoiki Beach的64核晶片(以Isaac Hale海灘公園英语Isaac Hale Beach Park命名,該公園又稱為Pohoiki)。[12]

2019年10月,羅格斯大學的研究人員發表了一篇研究論文,展示了英特爾的 Loihi 在解決同時定位與地圖構建所具備的的能源效率。[13]

2020 年 3 月,英特尔和康奈尔大学发表了一篇研究论文,证明英特尔的 Loihi 能够识别不同的危險物質,最终可以協助“诊断疾病、偵测武器和爆炸物、发现毒品,以及发现烟雾和一氧化碳的征兆”。 [14]

SpiNNaker

编辑

SpiNNaker(Spiking Neural Network Architecture,脈衝神經網路架構)是由曼徹斯特大學電腦科學系英语Department_of_Computer_Science,_University_of_Manchester的高級處理器技術研究小組(APT)所設計的大規模平行處理的多核超級計算機架構。[15]

批評

编辑

認知電腦的方法和定義有很多,[16]各方法的成效可能有所差異。 [17]

具體而言,有些批評者認為,像華生那樣有一間房間大的電腦無法取代三磅重的人腦[18],也有一些人指出,單一系統很難將這麼多的元素整合在一起,比如不同的資訊來源以及計算資源。[19]在2018年世界經濟論壇期間,有專家聲稱,認知系統可能會被開發者的偏見影響,這點在Google圖像辨識或計算機視覺演算法的案例中得到了證實,該演算法在辨識非裔美國人時有所缺陷。[20]

參見

编辑

参考文献

编辑
  1. ^ Witchalls, Clint. A computer that thinks. New Scientist. November 2014, 224 (2994): 28–29. Bibcode:2014NewSc.224...28W. doi:10.1016/S0262-4079(14)62145-X. 
  2. ^ Intel’s Pohoiki Beach, a 64-Chip Neuromorphic System, Delivers Breakthrough Results in Research Tests. [2021-08-11]. (原始内容存档于2022-07-17). 
  3. ^ 存档副本. [2021-08-11]. (原始内容存档于2022-07-17). 
  4. ^ Merolla, P. A.; Arthur, J. V.; Alvarez-Icaza, R.; Cassidy, A. S.; Sawada, J.; Akopyan, F.; Jackson, B. L.; Imam, N.; Guo, C. A million spiking-neuron integrated circuit with a scalable communication network and interface. Science. 2014, 345 (6197): 668–73. Bibcode:2014Sci...345..668M. PMID 25104385. doi:10.1126/science.1254642. 
  5. ^ https://spectrum.ieee.org/computing/hardware/how-ibm-got-brainlike-efficiency-from-the-truenorth-chip页面存档备份,存于互联网档案馆) How IBM Got Brainlike Efficiency From the TrueNorth Chip
  6. ^ Cognitive computing: Neurosynaptic chips. IBM. 11 December 2015 [2021-08-11]. (原始内容存档于2018-05-19). 
  7. ^ Song, Kyung Mee; Jeong, Jae-Seung; Pan, Biao; Zhang, Xichao; Xia, Jing; Cha, Sunkyung; Park, Tae-Eon; Kim, Kwangsu; Finizio, Simone. Skyrmion-based artificial synapses for neuromorphic computing. Nature Electronics. March 2020, 3 (3): 148–155. arXiv:1907.00957 . doi:10.1038/s41928-020-0385-0. 
  8. ^ "Why Intel built a neuromorphic chip". September 29, 2017. www.ZDNet.com. [2021-08-11]. (原始内容存档于2022-04-22). 
  9. ^ "Intel unveils Loihi neuromorphic chip, chases IBM in artificial brains". October 17, 2017. AITrends.com. [2021-08-11]. (原始内容存档于2021-08-11). 
  10. ^ Intel Ramps up Neuromorphic Computing Effort with New Research Partners | TOP500 Supercomputer Sites. [2021-08-11]. (原始内容存档于2022-07-17). 
  11. ^ 存档副本 (PDF). [2021-08-11]. (原始内容 (PDF)存档于2022-04-12). 
  12. ^ Intel's Neuromorphic Loihi Processor Scales to 8M Neurons, 64 Cores - ExtremeTech. [2021-08-11]. (原始内容存档于2022-03-02). 
  13. ^ Tang, Guangzhi; Shah, Arpit; Michmizos, Konstantinos. Spiking neural network on neuromorphic hardware for energy-efficient unidimensional SLAM. 2019 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). 2019: 4176–4181. arXiv:1903.02504 . doi:10.1109/IROS40897.2019.8967864. 
  14. ^ Imam, Nabil; Cleland, Thomas A. Rapid online learning and robust recall in a neuromorphic olfactory circuit. Nature Machine Intelligence. 2020, 2 (3): 181–191. arXiv:1906.07067 . doi:10.1038/s42256-020-0159-4. 
  15. ^ Research Groups: APT - Advanced Processor Technologies (School of Computer Science - the University of Manchester). [2021-08-11]. (原始内容存档于2022-05-29). 
  16. ^ Schank, Roger C.; Childers, Peter G. The cognitive computer: on language, learning, and artificial intelligence. Addison-Wesley Pub. Co. 1984 [2021-08-11]. ISBN 9780201064438. (原始内容存档于2021-08-11) (英语). 
  17. ^ Wilson, Stephen. The Cognitive Computer: On Language, Learning, and Artificial Intelligence by Roger C. Schank, Peter Childers (review). Leonardo. 1988, 21 (2): 210 [13 January 2017]. ISSN 1530-9282. JSTOR 1578563. doi:10.2307/1578563. 
  18. ^ Neumeier, Marty. Metaskills: Five Talents for the Robotic Age. Indianapolis, IN: New Riders. 2012. ISBN 9780133359329. 
  19. ^ Hurwitz, Judith; Kaufman, Marcia; Bowles, Adrian. Cognitive Computing and Big Data Analytics. Indianapolis, IN: John Wiley & Sons. 2015: 110. ISBN 9781118896624. 
  20. ^ Choudhury, Saheli Roy. A.I. has a bias problem that needs to be fixed: World Economic Forum. CNBC. 2018-09-18 [2018-10-12]. (原始内容存档于2022-04-09). 

連結

编辑

http://www.foxnews.com/tech/2018/01/09/ces-2018-intel-gives-glimpse-into-mind-blowing-future-computing.html页面存档备份,存于互联网档案馆