跳转到内容

认知电脑

维基百科,自由的百科全书

认知电脑是一种试图重现人脑行为,并且结合了人工智慧及机器学习演算法的晶片,[1]一般采用神经形态工程英语Neuromorphic engineering的方法,其中一例为IBM公司以神经网路英语Neural_network深度学习实现的华生。IBM公司后续还开发了TrueNorth微晶片架构,与传统电脑中使用的冯·诺依曼架构相比,其设计结构更加接近人脑。2017年,英特尔也公布了自家版本的认知晶片“Loihi”,于2018年提供给大学及研究实验室。英特尔、高通和其他公司也正逐步改进神经形态处理器,包括英特尔的Pohoiki Beach和Springs系统。[2][3]

IBM TrueNorth 晶片

具有16个TrueNorth晶片的DARPASyNAPSE英语SyNAPSE电路板

TrueNorth是IBM在2014年生产的神经形态英语Neuromorphic engineeringCMOS积体电路[4],是设计于单晶片上的多核处理器网路,有4096个核心,每个核心有256个可程式设计的模拟神经元,共约一百万个神经元。每个神经元有256个可程式设计、在彼此间互相传递讯号的“突触”。因此,可程式设计突触的总数稍多于2.68亿(228),其基本电晶体数量为54亿。由于记忆、计算和通讯是在4096个神经突触核心中处理,因此TrueNorth避开了冯-诺伊曼架构瓶颈,且非常节能,IBM声称其功耗为70毫瓦,功率密度是传统微处理器的万分之一[5]。因为SyNAPSE英语SyNAPSE晶片只会消耗计算所需的功率,因此运作时的功率及温度较低。[6]Skyrmions已被提议作为晶片上的突触模型[7]

英特尔 Loihi 晶片

英特尔的自我学习神经形态晶片“Loihi”(于2017年生产),可能是以夏威夷海山Lō'ihi命名,它依人脑设计,提供了可观的功率效率。英特尔声称,比起训练与Loihi性能相匹的神经网路所需的通用计算功率,Loihi的功率效率高了约1000倍。理论上,这将同时支援在同一矽晶片上进行机器学习训练和推理,而不必受到云端连接的影响,比使用卷积神经网路(CNN)或深度学习神经网路更有效率。英特尔指出,人类心跳监测系统会在运动或进食等事件后读取数据,然后使用认知计算晶片将资料正规化并算出“正常”心跳,查看是否异常,也可以应对任何新的事件或状况。

第一版的Loihi晶片使用了英特尔的14奈米制程,有128个丛集,每个丛集有1024个人造神经元英语Artificial neuron,总共有131,072个模拟神经元。[8]这提供了大约1.3亿个突触,与人脑的800万亿个突触相比仍有相当大的差距,并且落后于IBM的TrueNorth ,后者透过使用64乘以4,096个核心拥有大约2.56亿个突触。[9]现在有40多个学术研究团体能够出于研究目的以USB的规格使用Loihi。 [10][11]最近的进展包含一个名为Pohoiki Beach的64核晶片(以Isaac Hale海滩公园英语Isaac Hale Beach Park命名,该公园又称为Pohoiki)。[12]

2019年10月,罗格斯大学的研究人员发表了一篇研究论文,展示了英特尔的 Loihi 在解决同时定位与地图构建所具备的的能源效率。[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 能够识别不同的危险物质,最终可以协助“诊断疾病、侦测武器和爆炸物、发现毒品,以及发现烟雾和一氧化碳的征兆”。 [14]

SpiNNaker

SpiNNaker(Spiking Neural Network Architecture,脉冲神经网路架构)是由曼彻斯特大学电脑科学系英语Department_of_Computer_Science,_University_of_Manchester的高级处理器技术研究小组(APT)所设计的大规模平行处理的多核超级计算机架构。[15]

批评

认知电脑的方法和定义有很多,[16]各方法的成效可能有所差异。 [17]

具体而言,有些批评者认为,像华生那样有一间房间大的电脑无法取代三磅重的人脑[18],也有一些人指出,单一系统很难将这么多的元素整合在一起,比如不同的资讯来源以及计算资源。[19]在2018年世界经济论坛期间,有专家声称,认知系统可能会被开发者的偏见影响,这点在Google图像辨识或计算机视觉演算法的案例中得到了证实,该演算法在辨识非裔美国人时有所缺陷。[20]

参见

参考文献

  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可免费查阅. 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可免费查阅. 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可免费查阅. 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). 

连结

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