211service.com
Laut Microsoft werden programmierbare Chips KI-Software intelligenter machen
Die jüngsten Durchbrüche bei der Genauigkeit der Erkennung von Bildern und Sprache durch Software sind der zusätzlichen Rechenleistung hinter einer als Deep Learning bekannten Technik zu verdanken. Microsoft meldet nun Fortschritte bei einer Idee, die der Technik noch mehr Gewicht verleihen könnte. Ein praktischer Weg, Deep-Learning-Software noch stärker zu machen, könnte zu weiteren signifikanten Fortschritten in der Intelligenz von Maschinen führen.
Deep-Learning-Software lernt, Daten zu verstehen, indem sie grobe Simulationen biologischer Neuronen verwendet (siehe 10 Breakthrough Technologies 2013: Deep Learning ). Eine Priorität für Unternehmen wie Google, Microsoft und Facebook, die in die Technologie investieren, besteht darin, Wege zu finden, größere Netzwerke von Neuronen mit größeren Sammlungen von Trainingsdaten zu trainieren, indem die Software auf leistungsfähigeren Computern ausgeführt wird.
Die Verwendung von Grafikprozessoren, bekannt als GPUs, hat sich als eine der besten Möglichkeiten dafür erwiesen. Aber ihr Preis und ihr hoher Stromverbrauch machen GPUs auch für große Unternehmen kostspielig. Es ist sehr teuer und schwierig, eine eigene Trainingsplattform zu bauen, zu warten und zu skalieren, sagt Eric Chung , ein Forscher bei Microsoft. GPU-Systeme, die für Deep Learning verwendet werden, sind im Allgemeinen klein bis mittelgroß im Vergleich zum Umfang der Computergruppen, die zusammenarbeiten, um Online-Dienste zu betreiben, sagt er.
Chung ist Teil eines Projekts, das einen möglichen Weg untersucht, um Deep Learning in viel größerem Maßstab auszuführen. Die Idee ist, FPGAs, feldprogrammierbare Gate-Arrays, Chips zu verwenden, die rekonfiguriert werden können, um jedes Design zu implementieren, und die sehr energieeffizient sein können. Microsoft begann letztes Jahr mit der Verwendung von FPGAs, um Teile seiner Bing-Suchmaschine anzutreiben, und berichtete, dass es ihre Verwendung teste, um die virtuellen Neuronen des Deep Learning anzutreiben im Februar . Chung sagt, dass die Forschung inzwischen zur Verwendung einiger der leistungsstärksten verfügbaren FPGAs fortgeschritten ist und dass dies nach einem praktischen Weg aussieht, um die Leistungsfähigkeit von Deep Learning erheblich zu steigern. Microsoft verwendet FPGAs von Altera, einem Unternehmen, das der Chiphersteller Intel im Juni für 17 Milliarden US-Dollar gekauft hat, und verwies auf das Potenzial solcher Chips, die Rechenzentren von Unternehmen leistungsfähiger zu machen.
Selbst in der sogenannten Prototyping-Phase stellte das Team eine fast zehnfache Leistungssteigerung eines neuronalen Netzwerks fest, das versucht, Bilder zu identifizieren, im Vergleich zu herkömmlichen Computern ohne GPUs. Es könnte ein Wendepunkt sein, wenn es uns schließlich gelingt, FPGAs in großem Umfang einzusetzen, was eine aggregierte Leistungsfähigkeit bietet, die das derzeit Mögliche übersteigt, sagt er.
Die Verwendung von FPGAs bringt Nachteile mit sich, zum Beispiel die Arbeit, die geleistet werden muss, um sie für die anstehende Arbeit zu programmieren. Aber Chung sagt voraus, dass die Technik das Training von neuronalen Netzen von beispielloser Größe und Qualität ermöglichen wird.
Das könnte zu Verbesserungen bei Dingen wie Software führen, die den Inhalt von Bildern beschreiben kann (siehe Google Software beschreibt, was sie in Bildern sieht ) oder Sprache versteht und eine Form von gesundem Menschenverstand zeigt ( Maschinen beibringen, uns zu verstehen ). Auf der wurden die neusten Ergebnisse von Microsoft zum Einsatz von FPGAs vorgestellt Hot Chips-Konferenz über Fortschritte bei der Prozessorleistung am Dienstag in Cupertino, Kalifornien.