高層速讀
關鍵信息：IBM的研究人員正在研究一種專門用於運行神經網絡的芯片，該芯片將比GPU的能效高280倍，每平方毫米的操作次數將達到100倍，使數據在存儲的同時得到處理，極大地提高了處理效率。
關鍵意義：該芯片可以將人工智能應用到個人設備，打造個性化AI，同時也可以使數據中心更加安全、高效。
直到本世紀初，研究人員才意識到，為視頻遊戲設計的GPU圖形處理單元可以被用作硬件加速器，以運行更大的神經網絡。因為這些芯片能夠並行進行大量計算，而不是像傳統CPU那樣按順序處理它們。
使用GPU運行神經網絡已經在人工智能方面取得了驚人的進步，但這兩者的合作還不是很完美。IBM研究人員正在研究一種專門用於運行神經網絡的新芯片，以提供更快、更有效的替代方案。
GPU的引入促進該領域的進展，但這些芯片仍然將處理和儲存分開，這意味著大量的時間和精力都花在了兩者之間的數據傳輸上。問題的存在促使了人們對新的存儲技術進行了研究，研發一種既能存儲和處理同一地點的大量數據，又能提高速度和能源效率的技術。
IBM這種新的存儲設備依賴於調整電阻級別來存儲模擬的數據——即以連續規模存儲數據，而不是以數字存儲器的二進制 1 和 0。因為信息存儲在存儲單元的電導中，通過簡單地傳遞一個電壓並讓系統通過物理來進行計算是可能的。
但是這些設備固有的物理缺陷使它們的行為不一致，這意味著使用它們來訓練神經網絡的分類精度明顯低於使用GPU。
“我們可以在一個比GPU更快的系統上進行訓練，但如果訓練不那麼準確，是沒有用的，”領導該項目的IBM研究博士後研究員Ambrogio說，“到目前為止，還沒有證據表明使用這些新設備的可能性和像GPU一樣精確。”
在上週發表在Nature雜誌上的一篇論文中，Ambrogio和他的同事們描述了他們是如何利用新興的模擬存儲和更傳統的電子元件組合來創造出一種芯片，這種芯片可以與GPU的精度相匹配，同時運行速度更快，而且只消耗了一小部分能量。
為了測試他們的設備，研究人員對他們的網絡進行了一系列流行的圖像識別基準測試，達到了與谷歌領先的神經網絡軟件
TensorFlow相當的精確度。他們預測，一個完全內置的芯片將比GPU的能效高280倍，而且每平方毫米的操作次數將達到100倍。
研究人員表示，他們希望在投入時間和精力打造完整的芯片之前，先檢查一下這種方法是否可行。
但這樣一個專用芯片有什麼作用呢？
研究人員說，有兩個主要的應用：將人工智能應用到個人設備上；使數據中心更加高效。而直接在個人設備上實現人工智能的好處是，將會阻止用戶在雲端分享他們的數據，從而增加隱私安全。
但更令人興奮的前景是人工智能的個性化。
“在你的汽車或智能手機上實現的這個神經網絡可以不斷地從你的經驗中學習。你的手機將有專門屬於你的聲音，或者你的車有專屬你的駕駛方式……”
閱讀更多 AI商業觀察 的文章
