人工智能与机器学习将重放在到硬件上

2020-10-13 14:47   来源: 互联网    阅读次数:2969

人工智能(Ai) 和机器学习(ML) 在不同领域的应用改变了传统的适应不同应用的方法。虽然 Ai 和 ML 可以互换使用,但前者的目标是任务的成功,而后者则保证任务的准确性。


从营销、零售到医疗和金融领域,人工智能(Ai) 和机器学习(ML) 在这些领域的应用正在彻底改变传统的方法,以适应不同的应用。人工智能使系统能够感知、理解、行动和学习执行复杂的任务,比如需要人类智能的早期决策。与传统编程不同的是,每个案例都需要定义动作。人工智能与 ML 算法相结合,可以处理大型数据集,培训如何响应,并从遇到的每一个问题中学习,从而产生更准确的结果。

image.png

这不仅影响了我们使用数据的方式,也影响了我们为下一代设备设计和制造硬件芯片或集成电路(IC) 的方式,从而开辟了新的机遇。人工智能的发展将创新的核心从软件转向硬件。例如,为了获得更好的性能,人工智能需要比处理和传输大型数据集的传统要求更多的内存。比如,在家庭中越来越多地使用虚拟助理,如果没有可靠的硬件实现与内存和逻辑相关的功能,它们就无法正常工作。


根据埃森哲实验室(Accenture Lab) 和埃森哲研究所(Accenture Institute) 的年度报告,与扩展现实、分布式书籍和量子计算相比,半导体行业对未来几年人工智能在其工作中的潜力高度乐观。接受调查的半导体高管中,有 3 /4(77%) 表示,他们要么已经在自己的业务中使用人工智能,要么正在尝试这项技术。


Ai 和 ML 的概念


虽然 Ai 和 ML 可以互换使用,但前者的目标是任务的成功,而后者则保证任务的准确性。因此,解决一个复杂的问题是通过人工智能训练完成的,但是 ML 的概念是通过从执行的数据和任务中学习来最大限度地提高效率。ML 依靠大数据集找到一个通用的模型并根据概率进行预测。


人工智能在金融市场预测和自主车辆控制系统中比较常见。在所谓的监督学习 ML 算法中,建立输入数据与目标输出之间的关系模型进行预测,而无监督学习不需要对数据进行分类和训练。在复杂的计算机游戏中,当需要不断地从环境中获取信息时,可以实现强化学习。


类似 ML 的神经网络分支已被应用于语音识别、社交网络过滤、计算机视觉、自然语言处理等领域。这些技术获取和检查数千名用户的数据,以实现准确和准确的应用,例如人脸识别。这有助于创新的快速发展,而创新现在被认为不可思议,但随着硬件的进步,未来几十年可能会被更先进的创新所取代。


Ai 和 ML 应用程序如何重新定义传统系统


Ai 和 ML 可以发展到目前的水平,这不仅是由于算法的进步,也是由于存储容量、计算能力、网络等方面的进步,使得先进的设备可以以经济的成本被公众使用。传统上,电子系统的设计通常都是逻辑难以连接的。然而,鉴于制造成本高和芯片开发的复杂性,人工智能驱动的处理器体系结构正在重新定义传统的处理器体系结构,以满足新的需求。


计算主要在计算机的 CPU(CPU) 上进行。随着对 Ai 和 ML 算法的计算要求越来越高的应用的出现,通过图形处理单元(GPU)、微处理器(MPU)、微控制器(MCU)、现场可编程门阵列(FPGA) 和数字信号处理器(DSP) 的结合,正在出现更多的处理选项,以满足最佳的特性要求。这些被认为是不同类别的选项正逐渐成为异构处理解决方案,例如片上系统(SoC) 和自定义设计的 ASIC(ASIC)。


不同于传统的神经网络模型,它不仅需要高带宽的数据存储,而且还需要存储大量的数据。为了正常工作而增加的易失性内存将导致功耗的过度增加。这就需要不断开发内存接口,以确保任务的高速执行。虽然新的处理器体系结构有助于减少负载,但其他机制,如新的内存接口和内存处理本身,正在研究和实现。


英国的一家初创公司 -- 石墨核心联盟 -- 是一种新的处理器,其芯片内存储容量高,用于处理机器智能模型中复杂的数据结构。外部内存源要比芯片内存储源花费更长的时间才能返回结果。根据 iHSMarkit 的一份报告,人工智能应用程序中存储设备的全球收入将从 2019 年的 206 亿美元增加到 2025 年的 604 亿美元,而处理器组件将从 2019 年的 222 亿美元增长到 2025 年的 685 亿美元。


图形核心人工智能芯片在 Microsoft AzureCloud 中的应用


因此,半导体提供了所有人工智能应用所需的处理和存储能力。提高网络速度对于处理多台服务器和同时开发精确的人工智能模型也很重要。目前正在检查诸如高速互连和路由交换机等措施,以实现负载平衡。


人工智能的答案在于应用技术的改进。人工智能和 ML 被用来提高性能,随着设计团队在这方面的经验越来越丰富,他们将改进芯片的开发、制造和调整,以便进行更新。


利用现有 Eda 工具中基于 ML 的预测模型,Synopsys 声称,在 hspice 中,黄金时段的电力恢复速度提高了五倍,西格玛模拟速度提高了 100 倍。所有这些都需要专注于研究和开发以及精确的端到端解决方案,为可能为半导体公司不同部门创造价值的新市场创造机会。


克服挑战


主要关注的是数据及其使用。这不仅仅需要一个新的处理器架构。对于不同的用途和应用,人工智能的结构和价值可能因不同的目的而变得毫无用处。


人工智能使处理数据而不是单比特成为可能,并且在以矩阵的形式执行内存操作时效果最好,从而增加了处理和存储的数据量,从而提高了软件的效率。例如,当数据作为峰值输入时,峰值神经网络可以减少数据流。此外,即使有大量的数据,训练预测模型所需的有用数据量也可以减少。但问题仍然存在。在芯片设计中,ML 模型的训练是在不同环境下独立进行的。


人工智能的应用需要一种标准化的方法。为了有效地利用人工智能,必须考虑为人工智能设计的芯片和为满足人工智能要求而修改的芯片。如果系统中存在问题,就需要工具和方法来迅速解决这个问题。虽然设计自动化工具的应用越来越多,但设计过程仍然是高度手工的。调整输入是一个耗时但效率极低的过程。即使在设计和实现中的一个小步骤本身也可能是一个全新的问题。


许多公司声称使用人工智能和机器语言来获得这一趋势的优势,并增加销售和收入,这一现象已被广泛滥用。虽然压缩和解压缩的成本不是很高,但片上存储器的成本并不便宜。人工智能芯片也往往很大。


为了建立这样一个存储和处理数据的系统,需要不同的专家团队进行合作。主要芯片制造商、Ip 供应商和其他电子公司将使用某种形式的人工智能来提高运营效率。以较低的计算成本提供云计算服务有助于推动进步。技术进步将迫使半导体公司增强员工的能力,并对其技能进行再培训,从而使市场上的下一代设备成为可能。




责任编辑:萤莹香草钟
分享到:
0
【慎重声明】凡本站未注明来源为"极客科技网"的所有作品,均转载、编译或摘编自其它媒体,转载、编译或摘编的目的在于传递更多信息,并不代表本站赞同其观点和对其真实性负责。如因作品内容、版权和其他问题需要同本网联系的,请在30日内进行!