IBM plant die Kommerzialisierung seines vom Gehirn inspirierten Chips

Im August letzten Jahres stellte IBM einen Chip vor, der entwickelt wurde, um so etwas wie die Neuronen und Synapsen des Gehirns zu betreiben (siehe IBM Chip Process Data Similar to the Way Your Brain Does ). Jetzt hat das Unternehmen mit der Arbeit an einer nächsten Generation begonnen, die darauf abzielt, mobile Geräte bei Aufgaben zu verbessern, die für das Gehirn einfach, aber für Computer schwierig sind, wie Spracherkennung und Bildinterpretation.

IBM hat diesen Chip entwickelt, um Prinzipien auszuleihen, die im Gehirn zu sehen sind, und arbeitet jetzt an einer Version, die mobile Geräte intelligenter machen könnte.

Wir arbeiten an einer nächsten Generation des Chips, aber was jetzt am wichtigsten ist, sind kommerzielle Partner, sagt John Kelly, Senior Vice President bei IBM, der IBM Research und mehrere Geschäftseinheiten leitet, darunter zwei für die Watson-Maschinensuite des Unternehmens Intelligenz-Software. Unternehmen könnten dies in alle möglichen mobilen Geräte, Maschinen, Automobile usw. integrieren.

Das Hinzufügen von vom Gehirn inspirierten Chips zu Produkten wie Telefonen könnte sie in die Lage versetzen, alles zu erkennen, was ihre Besitzer sagen, und zu verfolgen, was um sie herum vor sich geht, sagt Kelly. Die heutigen Geräte kommen dem am nächsten, wenn sie nach bestimmten Schlüsselwörtern Ausschau halten. Apples neustes iPhone kann mit „Hey Siri“ geweckt werden, und einige Telefone, die Googles Software verwenden, können mit dem Satz „OK Google“ geweckt werden.

Die so genannte TrueNorth-Chiparchitektur von IBM wurde im Rahmen eines DARPA-finanzierten Programms entwickelt, das es mobilen Computern ermöglichen soll, fortschrittliche maschinelle Intelligenzsoftware wie Bild- oder Spracherkennung auszuführen, ohne die Cloud-Computing-Infrastruktur nutzen zu müssen wenig Leistung (siehe Thinking In Silicon ).

Kelly sagt, dass IBM Gespräche mit führenden Computersystemherstellern darüber führt, wie TrueNorth-Designs ihnen helfen könnten, lehnt es jedoch ab, irgendwelche zu nennen. Wir sprechen mit dem Who is Who im mobilen Bereich und im IoT [Internet of Things]-Bereich, sagt er. Ein TrueNorth-Chip würde den Gerätedesigns als Co-Prozessor hinzugefügt, der neben dem herkömmlichen Prozessor arbeitet und niemals heruntergefahren wird, sagt Kelly.

Der im vergangenen August vorgestellte TrueNorth-Chip ist ungefähr so ​​groß wie eine Briefmarke und hat eine Million Silizium-Neuronen mit 256 Millionen Verbindungen zwischen ihnen, die analog zu den Synapsen sind, die echte Neuronen verbinden. Der Chip verbraucht über 1.000 Mal weniger Strom als ein herkömmlicher Prozessor ähnlicher Größe. IBM hat demonstriert, wie sein Neuronennetzwerk so programmiert werden kann, dass es Aufgaben wie das Erkennen verschiedener Fahrzeuge in Videoaufnahmen in Echtzeit ausführt.

Da sich die TrueNorth-Chiparchitektur jedoch stark von denen in bestehenden Computern unterscheidet, erfordert sie neue Ansätze zum Schreiben von Software. Und ihre gefälschten Neuronen funktionieren anders als die softwarebasierten künstlichen neuronalen Netze, mit denen Unternehmen wie Google, Facebook und Microsoft kürzlich mit einer als Deep Learning bekannten Methode Durchbrüche in der Sprach- und Bildverarbeitung erzielt haben (siehe 10 Breakthrough Technologies 2013: Deep Lernen ).

Neuronen in IBMs TrueNorth-Architektur kodieren Daten mit elektrischen Ein-Aus-Spikes und versuchen, die Spiking-Signale biologischer Neuronen nachzuahmen. Die beim Deep Learning verwendeten simulierten Neuronen verwenden keine Spikes.

Künstliche neuronale Netze, die Spiking-Neuronen verwenden – einschließlich IBMs – haben nicht gezeigt, dass sie die Leistung erreichen, die mit Deep Learning bei Aufgaben wie Spracherkennung oder Bildverarbeitung erreicht wird. Yann LeCun, der das KI-Forschungslabor von Facebook leitet und Pionierarbeit für Deep Learning geleistet hat, hat dies getan äußerte sich skeptisch dass es praktisch sein wird zu tun.

Dharmendra Modha, der die Entwicklung der vom Gehirn inspirierten Chips von IBM leitet, hält dagegen, dass Spiking entscheidend ist, wenn neuronale Netze in einem Chip mit hoher Energieeffizienz betrieben werden sollen. Sein Team hat damit begonnen, Tools zu entwickeln, die es ermöglichen, trainierte neuronale Deep-Learning-Netze auf einen TrueNorth-Chip zu übertragen, sagt er.

Dieser Chip sei als Substrat gedacht, auf dem eine Vielzahl von neuronalen Netzen für Echtzeitanwendungen mit extrem niedrigem Energieverbrauch und extrem geringem Volumen abgebildet werden können, sagt er.

Terrence Sejnowski , Leiter des Computational Neurobiology Lab am Salk Institute for Biological Studies, stimmt zu, dass Spiking-Neuronen wichtig sind, wenn kompakte Computer in der Lage sein sollen, intelligente Dinge zu tun, ohne Strom zu verschwenden oder die Cloud anzuzapfen. Sie tauchten aus einem bestimmten Grund in der Natur auf, sagt er.

Neue Forschung von einem anderen Pionier des Deep Learning, Yoshua Bengio von der Universität Montreal, schlägt vor, dass die Genauigkeit der Technik leichter auf Spiking-Hardware-Neuronen übertragen werden könnte, als bisher angenommen, sagt Sejnowski. Bengio, der mit IBM an Sprachsoftware zusammenarbeitet, veröffentlichte a vorläufiges Papier letzte Woche online, was zeigt, dass das Optimieren der simulierten Neuronen, die beim Deep Learning verwendet werden, auf eine Weise, die sie eher wie Spiking-Neuronen macht, die Genauigkeit bei der Bildverarbeitung nicht beeinträchtigt hat.

Selbst wenn die Brain-Chip-Architektur von IBM mit den Techniken des Deep Learning in Einklang gebracht wird, wird sie Konkurrenz bekommen. Google arbeitet bereits an Möglichkeiten, künstliche neuronale Netze zu zerkleinern, um sie auf bestehenden Mobilgeräten auszuführen (siehe Google App Puts Neural Networks on Your Phone). Mehrere Unternehmen, darunter der führende Mobilprozessor-Designer Qualcomm, arbeiten an Chipdesigns, die vorhandene Deep-Learning-Software auf mobilen Computern wie Telefonen oder in Autos ausführen würden (siehe Silicon Chips That See Are Going to Make Your Smartphone Brilliant ).

verbergen