人工智能军备竞赛，正催生新的硬件架构

本篇文章1599字，读完约4分钟

随着社会转向人工智能来解决越来越多领域的问题，我们看到了一场军备竞赛:创造能够以更高速度和更低功耗运行深度学习模型的特殊硬件。

这场竞赛的最新突破包括一种新的芯片架构，它以完全不同于我们之前看到的方式执行计算。通过观察它们的功能，我们可以了解人工智能在未来几年的可能应用。

神经网络是深度学习的关键。它由成千上万个小程序组成，通过简单的计算完成复杂的任务，例如检测图像中的物体或将语音转换成文本。

然而，传统的计算机并没有优化神经网络的运行。相反，它们由一个或几个强大的中央处理器组成。神经形态计算机使用另一种芯片结构来物理表示神经网络。神经形态芯片由许多物理人工神经元组成，直接对应于软件。这使得它们在训练和运行神经网络方面特别快。

神经形态学计算的概念自20世纪80年代以来就已存在，但由于神经网络的低效率而没有引起足够的重视。近年来，随着人们对深度学习和神经网络的兴趣不断增强，神经形态学芯片的研究受到了新的关注。

今年7月，一组中国研究人员推出了一种名为天启的神经形态芯片，它可以解决许多问题，包括目标检测、导航和语音识别。研究人员将该芯片集成到自动驾驶自行车中，并使其对语音指令做出反应，从而展示了该芯片的功能。在《自然》杂志发表的一篇论文中，研究人员指出，我们的研究有望为更通用的硬件平台铺平道路，从而刺激人工通用智能(agi)的发展。

尽管没有直接证据表明神经形态学芯片是创造人工智能的正确方法，但它们肯定会有助于创造更高效的人工智能硬件。

神经形态芯片已经引起了大量科技企业的关注。今年早些时候，英特尔推出了pohoiki beach，它拥有64个英特尔loihi神经形态芯片，可以模拟800万个人工神经元。据英特尔称，loihi处理信息的速度是传统处理器的1000倍，效率是传统处理器的10000倍。

神经网络和深度学习计算需要大量的计算资源和计算能力。人工智能的碳足迹已经成为一个环境问题。神经网络的能量消耗也限制了其在功率受限环境中的应用，例如电池供电的设备。

随着摩尔定律继续放缓，传统电子芯片正试图跟上人工智能行业日益增长的需求。

几家公司和研究实验室已经转向光学计算，寻找解决人工智能行业速度和功率挑战的方法。光学计算用光子代替电子，用光学信号代替数字电子。

光学计算设备不像铜缆那样产生热量，这大大降低了它们的能耗。光学计算机也特别适用于快速矩阵乘法，这是神经网络的关键操作之一。

在过去的几个月里，已经出现了几个光学人工智能芯片的原型。波士顿的lightelligence公司已经开发了一种光学人工智能加速器，它与当前的电子硬件兼容，并且可以通过优化一些繁重的神经网络计算，将人工智能模型的性能提高一到两个数量级。工程师light lightment说，光学计算的进步也将降低人工智能芯片的制造成本。

最近，香港科技大学的一组研究人员开发了一种全光神经网络。目前，研究者已经开发了一个概念证明模型来模拟具有16个输入和2个输出的完全连接的双层神经网络。大规模光学神经网络可以以光速和低能耗运行计算密集型应用，如图像识别和科学研究。

今年8月，硅谷初创公司脑科拉斯系统公司(脑科拉斯systems)推出了一款拥有1.2万亿晶体管的大型人工智能芯片。大脑芯片的尺寸为42，225平方毫米，比最大的NVIDIA图形处理器大50多倍。

大芯片加快了数据处理速度，并能以更快的速度训练人工智能模型。与图形处理器和传统的中央处理器相比，独特的大脑结构也降低了能耗。

当然，芯片的尺寸将限制它在有限的空环境中的使用。大脑最近与美国能源部签署了第一份合同。美国能源部将利用该芯片加速科学、工程和健康领域的深度学习研究。

考虑到各个行业和领域都在寻找深度学习的应用，单一的架构几乎不可能主宰市场。但可以肯定的是，未来的人工智能芯片与我们电脑和服务器上几十年来的经典处理器大不相同。