Der er en række typer og stilarter af kunstig intelligens, men der er en afgørende forskel mellem den del af programmeringen, der ser ud til interessante løsninger til relevante problemer, og den gren af videnskaben, der søger at modellere og simulere funktioner af den menneskelige hjerne. Neuromorphic computing, som omfatter produktion og brug af neurale netværk, beskæftiger sig med at bevise effekten af ethvert begreb om, hvordan hjernen udfører sine opgaver-ikke kun for at nå frem til afgørelser, men lagrer oplysninger, og selv udlede fakta.
Både bogstaveligt talt og praktisk, “neuromorphic” betyder “at tage form af hjernen.” Det centrale ord her er “form”, især fordi så meget af AI-forskning beskæftiger sig med at simulere, eller i det mindste at efterligne, de funktion af hjernen. Konstruktion af en neuromorphic enhed indebærer udvikling af komponenter, hvis funktioner, der svarer til dele af hjernen, eller i det mindste til, hvad sådanne dele menes at gøre. Disse komponenter er ikke hjernen-formet, selvfølgelig, men som de ventiler af et kunstigt hjerte, de må opfylde de roller, som deres økologiske kolleger. Nogle arkitekturer gå så langt som til at modellere hjernen opfattes plasticitet (dets evne til at ændre sin egen form, der passer sin funktion) ved tilførsel af nye komponenter baseret på de behov, de opgaver, de er i øjeblikket kører.
Også: En neuromorphic, hukommelse-centreret, chip arkitektur
Close-up af “Træer og Underskov” af Vincent Van Gogh, 1887. En del af den samling af Van Gogh Museum i Amsterdam. Fotografere i det offentlige domæne.
Den mål af neuromorphic engineering
Mens opbygningen af en sådan enhed kan oplyse os om, hvordan sindet fungerer, eller i det mindste afsløre visse måder, hvorpå det betyder ikke, det faktiske mål af en sådan bestræbelse er at producere en mekanisme, der kan “lære” fra input på måder, som en digital computer-komponent kan ikke være i stand til. Den payoff kan være en helt ny klasse af maskinen i stand til at blive “uddannet” til at genkende mønstre, der bruger langt, langt færre ressourcer end en digital neurale netværk ville kræve.
“En af de mest tiltalende attributter af disse neurale netværk er deres portabilitet til low-power neuromorphic hardware,” lyder en September 2018 IBM neuromorphic patent-program [PDF]”, som kan anvendes i mobile enheder og indbyggede sensorer, der kan anvendes ved ekstremt lave effektbehov i real-tid. Neuromorphic computing viser et hidtil uset lavt strømforbrug beregning substrat, der kan bruges i mange applikationer.”
Selvom Google har været en leder i de seneste år, for både forskning og produktion af hardware kaldet tensor-processorer (TPU) dedikeret specifikt til neurale netværk-baserede applikationer, neuromorphic gren er et helt andet bæst. Specifikt handler det ikke om evalueringen af et sæt af data i form af diskrete numeriske værdier, såsom skalaer fra 1 til 10, eller procentdel karakterer fra 0 til 100. Dens udøvere har et mål for øje, end at løse en ligning, eller blot til at producere mere software. De søger at producere en kognition maskine-en, der kan føre lid til, hvis ikke helt vise sig, en rationel teori for, hvordan det menneskelige sind kan arbejde. De er ikke ude på at fange kongen i seks træk. De er i dette for at opbygge mekanismer.
Også: AI chip enhjørning, der er ved at revolutionere alt
Hvorfor gider at eksperimentere med neuromorphic design?
Et neuralt netværk inden for it er typisk repræsenteret ved et sæt af elementer i hukommelsen — døbt axoner, efter at deres kolleger i neurologi — at blive justeret, eller vægtede svar på en række indgange. Disse vægte siges at efterlade et indtryk, og det er dette indtryk af, at (forhåbentlig) en neurale net kan huske, da bedt om at afsløre de fælles elementer mellem indgangene. Hvis dette indtryk kan blive behandlet som “læring” og derefter en lille neurale net kan være trænet til at genkende bogstaverne i alfabetet efter en omfattende uddannelse.
Tilførsel af en neural netværksmodel i et rent digitalt miljø kræver en enorm mængde af data. En cloud-udbyder, er i en særdeles fordelagtig position til at udnytte dette krav, især hvis det kan udbrede programmer, som gør brug af machine learning. Det er derfor, Amazon og andre er så glade for i disse dage om AI: Som en kategori af opgaven, det er den største forbruger af data.
Men du har måske bemærket noget om mennesker: De er blevet temmelig dygtig med bare hjerner, de har, uden brug af fiberoptiske links til udbydere af cloud-tjenester. For nogle grund, at hjerner er åbenbart i stand til at lære mere, uden at den rå overhead af binære opbevaring. I en perfekt verden, et neuralt net-systemet skal være i stand til at lære lige hvad et program har behov for at vide om indholdet af en video, for eksempel, uden at skulle til at gemme hvert enkelt billede, video i høj opløsning.
Tænkes, mens en neuromorphic computer vil være bygget på en relativt kompleks maskine, når masse-produceret, det kunne blive en overraskende enkel maskine. Vi kan ikke ligefrem vokse hjerner i krukker endnu. Men hvis vi har en plausibel teori om, hvad der udgør kognition, vi kan syntetisere et system, der overholder reglerne i denne teori, er måske at producere bedre resultater ved hjælp af mindre energi og kræver en størrelsesorden mindre hukommelse.
Som forskning begyndte i 2012 mod at konstruere arbejder neuromorphic modeller, et team af forskere, herunder California Nanosystemer Institut på UCLA skrev følgende [PDF]:
Selvom aktiviteten af enkelte neuroner forekommer størrelsesordener langsommere (ms) end clock hastigheder på moderne mikroprocessorer (ns), den menneskelige hjerne kan i høj grad udkonkurrerer CMOS-computere i en bred vifte af opgaver, såsom image anerkendelse, især i udvinding af semantiske indhold fra begrænset eller forvrængede oplysninger, og når billederne bliver præsenteret på drastisk reduceret beslutninger. Disse kapaciteter er menes at være resultatet af både serielle og parallelle interaktioner på tværs af et hierarki af regioner i hjernen i et kompleks, tilbagevendende netværk, hvor forbindelserne mellem neuroner fører ofte til feedback loops.
Også: Neuton: En ny, ødelæggende neurale netværk ramme for AI
Self-syntese
En virkelig neuromorphic enhed, dens udøvere forklare, vil indeholde komponenter, der er fysisk selvsamlende. Specielt, de ville inddrage atomic skifter, hvis magnetiske vejkryds ville skildre den rolle af synapser, eller forbindelser mellem neuroner. Enheder, der omfatter disse parametre ville opføre sig, som om de oprindeligt er udviklet til de opgaver, de er fuldbyrdende, snarere end som generelle formål computere tage deres anvisninger fra elektroniske programmer.
En sådan enhed vil ikke nødvendigvis være en opgave med AI-programmer til at have praktisk anvendelse. Forestil dig et sæt af robot-controllere på fabrikken, for eksempel, hvis chips kunne justere deres egen skifter, når de fornemmede, ændringer i samlinger af komponenter robotterne er ved at opbygge. Tingenes Internet er meningen at løse problemet med eksterne enheder brug for nye instruktioner til udviklet sig opgaver, men hvis disse enheder var neuromorphic af design, de måske ikke har brug for tingenes internet på alle.
Neuromorphic ingeniører har påpeget en mangel på almindelig computer chip-design, som vi sjældent tager sig tid til at overveje: Som Moore ‘ s Lov tvunget chip designere til at proppe flere transistorer på kredsløb, antallet af forbindelser mellem disse transistorer ganget igen og igen. Fra et teknisk synspunkt, effektiviteten af alle de ledninger, der anvendes i disse sammenkoblinger forringet med hver chip generation. Længe siden, vi holdt op med at være i stand til at kommunikere med alle de logiske gates på en CPU i løbet af en enkelt clock cyklus.
Havde chip-design blevet neuromorphic et eller to årtier siden, ville vi ikke have behov for at fordoble antallet af transistorer på en chip for hver 12 til 18 måneder for at opnå de resultater gevinster vi har set-blev stadigt mindre og mindre alligevel. Hvis du mener, hvert samtrafik som en slags “virtuel synapse,” og hvis hver synapse blev gjort atomart, chips kunne tilpasse sig til den bedste service til deres programmer.
Også: Hvordan tingenes internet kan omdanne fire brancher i år
Eksempler på neuromorphic tekniske projekter
I dag, der er flere akademiske og kommercielle eksperimenter på vej til at producere arbejde, reproducerbar neuromorphic modeller, herunder:
Spiler [afbilledet ovenfor] er en low-grade supercomputer, der er udviklet af ingeniører med Tysklands Jülich Research Centre ‘s Institut for Neurovidenskab og Medicin, arbejdet med UK’ s Avancerede Processor Technologies Group på University of Manchester. Dens opgave er at simulere funktioner såkaldte kortikale mikrokredsløb, omend i et langsommere tid skala, end de ville formentlig fungere, når fremstillet. I August 2018, Spiler gennemført, hvad der menes at være den største neurale netværk simulation til dato, der involverer omkring 80.000 neuroner forbundet af nogle 300 millioner synapser.
Intel er at eksperimentere med, hvad det beskriver som en neuromorphic chip arkitektur, kaldet Loihi (lo · EE · hee). Intel har været tilbageholdende med at dele billeder, der ville afsløre elementer af Loihi arkitektur, men baseret på, hvilke oplysninger vi har, Loihi ville være producible ved hjælp af en form af det samme 14 nm litografi teknikker, Intel og andre, der beskæftiger i dag. Første gang offentliggjort i September 2017, og officielt havde premiere i januar på CES 2018-DIREKTØR Brian Krzanich, Loihi ‘ s mikrokode omfatte erklæringer, der er designet specifikt til træning af en neurale net. Det er designet til at gennemføre en tilsætte neurale netværk (SNN), hvis model tilføjer mere hjerne-lignende egenskaber.IBM fastholder en Neuromorphic Enheder og Arkitekturer Projekt, der er involveret med nye eksperimenter i analoge beregning. I et forsknings-papir, IBM holdet viste, hvordan den ikke-flygtige fase-skift hukommelse (PCM) fremskyndet feedback eller backpropagation algoritme, der er forbundet med neurale net. Disse forskere er nu på arbejde afgøre, om PCM kan udnyttes i modellering syntetiske synapser, der erstatter den statiske RAM-baseret arrays, der anvendes i sine tidligere TrueNorth og NeuroGrid designs (som ikke var neuromorphic).
Også: Hvorfor Intel har bygget en neuromorphic chip
Det mener derfor, at det er
Nogle af de vigtigste neuromorphic forskning begyndte i 2002, i forbindelse med en antydning af ingeniører med Italiens Fiat. De ønskede et system, der kunne svare til en chauffør falder i søvn ved rattet. Professor James K. Gimzewski af UCLA ‘s California Nanosystemer Institute (CNSI), reagerede ved at undersøge, om en atomar skifte kunne være udløst af den hukommelse, der er state of the driver’ s hjerne. Her er, hvor Gimzewski begyndte sin søgen efter en sammenhæng mellem nanoteknologi og neurologi — for eksempel, i de målte forskelle i elektrisk potentiale mellem signaler optaget af hjernens korttidshukommelse og dem, der blev registreret af langtidshukommelsen.
Der skinner et lys på dette link fra en meget stor højde, UC Berkeley Professor Walter Freeman, der i de seneste år har spekuleret på, om forholdet mellem tætheden af stof i hjernebarken, og ikke mindre end bevidstheden selv — den biologiske proces, gennem hvilken en organisme kan trygt hævde, at det er i live og tænker. Freeman kalder det tykke stof i neocortex, der danner orgel af bevidsthed neuropil, og mens Gimzewski er design har en langt mindre skala, han er ikke bange for at låne dette begreb for sin syntetiske modpart.
I 2014, Gimzewski uropført sin forskning, der viser billeder af et gitter af kobber indlæg på nær-micron skala, der er blevet behandlet med en sølvnitrat-opløsning. Én gang udsat for gasformigt svovl, sølv atomer form nanoledninger fra punkt til punkt på nettet — ledninger, der opfører sig, i det mindste godt nok, som synapser. Ifølge Gimzewski:
“Vi fandt, at da vi skiftede dimension af kobber indlæg. Vi kunne flytte… til mere nanowire strukturer, og det var på grund af det faktum, at vi kan undgå nogle ustabilitet, der opstår på større skala. Så vi er i stand til at gøre disse meget rart nanowire strukturer. Her kan du se, du kan have meget lange og korte dem. Og ved hjælp af denne proces af bottom-up fabrikation, brug af silicium-teknologi, [i modsætning til top-down fabrikation ved hjælp af CMOS process… vi kan så generere disse strukturer… Det er ideelt, og hver af disse har en syntetisk synapse.”
Den CNSI holdets fremstillingsprocessen er i stand, Gimzewski krav på at indbetale 1 mia synaptiske forbindelser per kvadratcentimeter. (I Marts 2017, Intel annoncerede, at det lykkedes at proppe 100 millioner transistorer på en kvadrat-centimeter CPU dø.)
Også: Sydkorea at investere over $620 millioner i nanotech R&D
Hvorfor neuromorphic engineering kræver en ny klasse af maskinen
Hvis du nogensinde har spillet skak mod en app, du har leget med en af de tidligste og mest grundlæggende former for AI: beslutningstræ. Liberal brug af ordet “afgørelse”, der ender med at gøre denne gren forsvarlig måde for grandiose; i praksis er det meget simpelt, og det har nul at gøre med den form, eller form af hjernen.
Diagram af en minimax beslutningstræ ved Nuno Nogueira. Udgivet via Wikimedia Commons.
I bund og grund en beslutning træet algoritme, der anvender numeriske værdier til vurderet muligheder. Et skak program evaluerer alle de muligheder, den kan finde, for de bevæger sig og counter-bevægelser og counter-counter-bevæger sig langt ind i fremtiden, og vælger at flytte med den bedste vurderet værdi. Et skak program kan skelne sig selv fra andre mennesker gennem den værdi, det attributter til eksponering eller fange en vigtig brik eller lukning af en vigtig linje af forsvaret.
Evnen til at kondensere disse evalueringer i automatiske reaktionsmønstre kan udgøre, hvad nogle ville kalde, mindst rudimentarily, en “strategi”. At tilpasse strategien til de ændrede forhold er, hvad mange forskere ville ringe læring. Google ‘ s DeepMind enhed er et eksempel på et forskningsprojekt, der gælder rent matematiske logik til opgaven med machine learning, herunder dette eksempel omfatter modellering svar til flere patienter med hjerte-lunge-adfærd.
Også: Google ‘ s AI surfer “gamescape” for at erobre game theory
Ulempen ved determinisme
Her er, hvor alt kaster sit digital-alder dragt og tager på en mere fysisk, taktil, Jules Verne-agtig stemning: Vi har en tendens til at definere en “computer”, som nødvendigvis digital, og alt, hvad der udfører en edb-opgave, som en digital komponent. Som neuromorphic videnskab strækker sig i arkitektur, design og hardware, såsom processorer, forskere har allerede indset, at der er elementer af neuromorphology, der, som quantum computing, kan ikke være modelleret digitalt. Tilfældighed, eller på anden måde uforklarlige fænomener, er en del af deres modus operandi.
Den ene nøgle adfærd, der i det væsentlige diskvalificerer en digital computer fra at efterligne en økologisk eller en sub-atomare enhed, er det meget faktor, der gør det så pålidelig i regnskab: Sin determinisme. Hele pointen med en digital computer program er at bestemme, hvordan maskinen skal fungere, givet et bestemt sæt af indgange. Alle digital edb-programmer er enten deterministisk, eller de er defekte.
Hjernen hos et menneske eller et dyr, som hidtil er undersøgt, er ikke en deterministisk organisme. Vi ved, at neuroner er de vigtigste komponenter i hukommelsen, selv om vi ikke rigtig ved, hvordan oplevelser og sensoriske inputs kort sig selv, at disse neuroner. Forskere har observeret, er dog, at de funktioner, som gennem neuroner “brand” (skærm peak elektriske ladninger) er probabilistisk. Det vil sige, sandsynligheden for at én neuron brand, i betragtning af de samme input (forudsat, at de kunne blive genskabt), er en værdi, der er mindre end 100 procent.
Hverken neurologer eller programmører er helt sikker på, hvorfor et menneske hjerne kan så nemt lære at genkende bogstaver, når de har så mange forskellige skrifttyper, eller til at genkende ord, når folks stemmer er så forskellige. Hvis du tror, af hjernen, som om det var en muskel, det kunne være stress, der forbedrer og styrker den. Ja, intellekt (de fænomener, der opstår fra sindets evne til at ræsonnere) kan fortolkes som et produkt af hjernen tilpasning til de oplysninger, sine sanser udlede fra verden omkring det, ved bogstaveligt talt at bygge nye fysiske materiale til at rumme det. Neurologer henvise til denne tilpasning, som plasticitet, og dette er et af de fænomener, der neuromorphic ingeniører håber på at simulere.
Diagram af Alish Dipani, udgivet gennem Intel Developer Mesh.
En tilsætte neurale netværk (SNN) ville opnå dette. I den biologiske hjerne, hver neuron er forbundet til en bred vifte af input. Nogle input producere excitation i det neuron, mens andre hæmmer det — ligesom de positive og negative vægte i kunstige neurale net. Men med en SNN, efter at have nået en bestemt tærskel tilstand, der er beskrevet af en variabel (eller måske med en funktion), neuron ‘ s tilstand pigge, bogstaveligt talt, der henviser til sin elektriske effekt. Formålet med en SNN model er at drage slutninger fra disse pigge — for at se, om et billede eller en data-mønster udløser en hukommelse.
Også: Denne million-core supercomputer er inspireret af den menneskelige hjerne
Hvad gør en neuromorphic chip mere analog?
Der er en tankegang, der hævder, at selv hvis en sekvens af tal er ikke helt tilfældigt, så længe enheden trække slutninger på, at data ikke er oplyst, er det ikke noget alligevel. Alle neurale netværk modeller, der er udviklet for deterministiske systemer, der opererer i henhold til denne formodning.
Scott Fulton III
Modargumentet er, at Når et neuralt netværk er initialiseret, dets “vægt” (determinanter af axoner’ værdier) skal være randomiseret. I det omfang det er muligt for et tilfældigt mønster, der ligner eller præcis til en anden, at høj grad skal tilskrives som en bias, og at bias reflekterer negativt på nogen endelige resultat.
Også: Nyt år, nye netværk, som forskere optimere AI
Hvorfor real tilfældighed spørgsmål
Der er også denne: Elektromekaniske komponenter kan blive i stand til at indføre den ikke-deterministiske elementer, der ikke kan simuleres i et rent digitalt miljø, selv når vi sætter skyklapper på. Forskere ved Purdue University eksperimenterer med magnetisk tunnel kryds (UAE) — to ferromagnetiske lag sandwiching en magnesiumoxid barriere. En elektrisk strøm, der kan drille en magnetisk ladning ind hoppe gennem barrieren mellem lagene. Sådan en hoppe kan være svarende til en stigning.
En UAE udviser en adfærd, der minder om en transistor, drilleri elektroner over en kløft. I dette tilfælde, UAE muliggør en arbejdsdeling, hvor den modtagende ferromagnetiske lag spiller den rolle, axon, og tunnelen i-mellem skildrer en synapse.
Den resulterende forhold er virkelig mekanisk, hvor den adfærd der kan være beskrevet, ligesom rigtige neuroner, ved hjælp af sandsynlighed. Så enhver fejl, der skyldes en slutning proces, der involverer MTJs, eller komponenter, der kan lide dem, vil ikke være henføres til bias, der ikke kan blive hjulpet på grund af determinisme, men i stedet for at fejl, der kan rettes med den rette omhu. For hele processen at være pålidelige, de formaterede værdier, der vedligeholdes af neuroner skal være virkelig randomiseret.
Også: Kunstig intelligens har en sandsynlighed problem
Sagen mod neuromorphic
Selvfølgelig, neurologer og biotechnicians nedtone enhver neuromorphic computing-modellen, da stoppe godt kort til at simulere virkelige hjerne aktivitet. Nogle går så langt som til at sige, at i det omfang, at dele af en neuromorphic system er ufuldstændige, en model for design og den producerer, er helt fantastisk.
Dr. Gerard Marx, CEO af Jerusalem-baseret analysefirmaet MX Biotech Ltd., tyder på, at den fremherskende opfattelse af hjernen som en slags uendelig tropisk regnskov, hvor træer af neuroner svinge fra synapser i det åbne brise, er en belastning af pladder. Mangler en sådan model, Marx påpeger, er et stof, der kaldes den ekstracellulære matrix (nECM), som ikke er en gelatinøs, neutral havet, men snarere en aktiv agent i hjernens huske processen.
Marx postulerer, at hukommelsen i den biologiske hjerne kræver neuroner, nECM, plus en bred vifte af dopants som neurotransmittere (NT) udgivet i nECM. Elektrokemiske processer, der finder sted mellem disse tre elementer, vil de kemiske reaktioner der er ikke kun blevet registreret, men opfattes som tæt forbundet med følelser. De fysiologiske virkninger, der er forbundet med minder om en hukommelse (for eksempel, forhøjet blodtryk, tungere vejrtrækning) udløser psykiske virkninger (spænding, frygt, angst, glæde), som igen har en forstærkende effekt på hukommelse i sig selv. Skriver Marx med sin kollega Chaim Gilon [PDF]:
Vi befinder os i den modsatte position af den dreng, der råbte: “kejseren ikke har noget tøj på!”, som vi udbryde: “Der er ingen “nøgen neuroner!” De er swaddled i nECM, der er multi-funktionel, da det giver strukturel støtte og er en hydrogel, hvorigennem væsker og små molekyler diffus. Det optræder også som en “memory materiale,” som skitseret af den tredelte mekanisme, som identificerer NTs som encodere af følelser.
Dette er ikke til at sige, neuromorphic computing ikke kan give fordele. Men hvis teorien er, at det vil give større fordele, uden at alle andre dele af hjernen højde for, så er Marx ‘ s standpunkt er, dens udøvere bør stoppe med at udgive sig for at være hjernen kirurger.
Også: Hukommelse: Virtual Reality kan hurtigt hjælpe dig med at proppe for en test
Når neuromorphic potentielle kunne spike
På et hvilket som helst tidspunkt i historien, der er en teoretisk grænse til behandling af en supercomputer — et punkt, efter hvilket øgede arbejdsbyrde udbytter ikke mere, eller ingen bedre resultater. Denne grænse er blevet skubbet frem i passer og starter med fremskridt i mikroprocessorer, herunder ved indførelse af Gpu ‘er (tidligere blot grafik-processorer), og Google’ s design for TPUs. Men der kan være en grænse for grænsen ‘s udvidelse, som Moore’ s Lov, der kun virker, når fysik giver dig plads til at skalere mindre.
Neuromorphic engineering peger på den mulighed, hvis de endnu ikke er sandsynlighed for en massiv kvantespring i performance, i form af en radikal ændring af, hvad det betyder at udlede information fra data. Som quantum computing, det er afhængig af en kraft i naturen, som vi endnu ikke forstå: I dette tilfælde, den oplysende effekt af støj. Hvis al forskning betaler sig, supercomputere, som vi opfatter dem i dag, kan gøres helt forældede i et par korte år, erstattet af servere med syntetiske, selvsamlende neuroner, som kan skjules i hallway closet, frigøre den plads, der forbruges af mega-skala datacentre til, sige, sol-el-generatorer.
Tidligere og relaterede dækning:
Hvad er dyb læring? Alt, hvad du behøver at vide
Den lowdown på en dyb læring: fra hvordan det relaterer til det bredere felt af machine learning igennem til, hvordan du kommer i gang med det.
Hvad er AI? Alt, hvad du behøver at vide
En executive guide til kunstig intelligens, fra machine learning og generelt AI til neurale netværk.
Hvad en kvantecomputer er, og hvorfor det skal være mere
Det ville være forløberen for et helt nyt medium for beregningen, at udnytte det uforklarlige kræfter af subatomare partikler til at fjerne de barrierer af tid i at løse uoverskuelige problemer. Din del i at gøre det til at ske, måske blot for at overbevise dig selv om, at sort er hvid, og op er ned.
Hvad er tingenes internet? Alt, hvad du behøver at vide
Internet af Ting forklaret. Hvad tingenes internet er, og hvor det skal hen næste.
Få mere at vide-Fra CBS Interaktive Netværk:
AI chip enhjørning, der er ved at revolutionere alt
Hvorfor Intel har bygget en neuromorphic chip
En neuromorphic, hukommelse-centreret chip architectureThe stige, falde og stige af supercomputer i skyen eraThe dybt-learning revolution: Hvordan forståelse af hjernen vil lade os supercharge AI TechRepublicOpfylde den bizarre D&D væsener fremstillet af et neuralt netværk CNET
Andre steder:
Et Sjældent Kig ind i IBM ‘ s True North Neuromorphic Chip af Nicole Hemsoth, Den Næste Platform
IBM, Intel Genoverveje Processor Design til at Rumme AI Arbejdsmængder af Agam Shah, Den Nye Stak
Den HBP Neuromorphic Computing-Platform Rejsefører, en konstant opdateret ressource offentliggjort via GitHub
Relaterede Emner:
Kunstig Intelligens
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software