Er zijn een aantal soorten en stijlen van de kunstmatige intelligentie, maar er is een belangrijk verschil tussen de tak van de programmering die zoekt naar interessante oplossingen voor relevante problemen, en de tak van de wetenschap op zoek naar modelleren en simuleren van de functies van de menselijke hersenen. Neuromorphic computing, waarin de productie en het gebruik van neurale netwerken, bezig met het bewijzen van de werkzaamheid van een concept van hoe de hersenen voert de functies — niet alleen tot een besluit te komen, maar het onthouden van informatie en het afleiden van feiten.
Zowel letterlijk als praktisch, “neuromorphic” betekent “in de vorm van de hersenen.” Het sleutelwoord is hier “vorm” vooral omdat er zo veel van AI onderzoek bezig met het simuleren van, of op zijn minst na te bootsen, de functie van de hersenen. De engineering van een neuromorphic apparaat omvat de ontwikkeling van componenten waarvan de functies zijn vergelijkbaar met delen van de hersenen, of ten minste wat deze onderdelen worden verondersteld te doen. Deze onderdelen zijn niet de hersenen-vormige, natuurlijk, maar net als de kleppen van een kunstmatig hart, ze vervullen de rol van hun biologische collega ‘ s. Sommige systemen gaan zo ver dat model van de hersenen waargenomen plasticiteit (de mogelijkheid tot het wijzigen van zijn eigen vorm aan de functie) door de provisioning van nieuwe componenten op basis van de behoeften van de taken die ze op dat moment draaien.
Ook: Een neuromorphic, geheugen-centric, chip-architectuur
Close-up van ‘Bomen en Struiken’ Van Vincent Van Gogh, 1887. Een deel van de collectie van het Van Gogh Museum in Amsterdam. Foto in het publieke domein.
De doelen van neuromorphic engineering
Terwijl de bouw van een dergelijk apparaat kan ons informeren over hoe de geest werkt, of op zijn minst onthullen bepaalde manieren waarop het niet, het uiteindelijke doel van een dergelijke inspanning is het produceren van een mechanisme dat kan “leren” van de ingangen op een manier die een digitale computer onderdeel niet mogelijk. De uitbetaling kan een geheel nieuwe klasse van de machine kunnen worden “opgeleid” tot het herkennen van patronen met veel, veel minder inputs dan een digitale neurale netwerk zou hebben.
“Een van de meest aantrekkelijke kenmerken van deze neurale netwerken is hun draagbaarheid van low-power neuromorphic hardware”, leest een in September 2018 IBM neuromorphic octrooiaanvraag [PDF], “die ingezet kunnen worden in mobiele apparaten en ingebouwde sensoren die kan functioneren bij extreem lage vermogensbehoefte in real-time. Neuromorphic computing toont een ongekend lage-energie berekening substraat dat gebruikt kan worden in vele toepassingen.”
Hoewel Google is een leider in de afgelopen jaren, zowel van het onderzoek en de productie van de hardware genoemd tensor-processors (TPU), die speciaal gewijd is aan het neurale netwerk-gebaseerde toepassingen, de neuromorphic tak is een heel ander beest. Specifiek, het gaat niet om de evaluatie van een set van gegevens in termen van afzonderlijke numerieke waarden, zoals schalen van 1 tot 10, of het percentage klassen van 0 tot 100. Haar beoefenaars hebben een doel in gedachten anders dan bij het oplossen van een vergelijking, of gewoon om meer te produceren software. Ze streven naar het produceren van een cognitie machine-één die kan leiden dressoirs, als het geheel niet te bewijzen, een rationele theorie voor hoe de menselijke geest kan werken. Ze zijn niet te vangen de koning in zes stappen. Ze doen dit om te bouwen mechanismen.
Ook: De AI-chip eenhoorn, die op het punt een revolutie voor alles
Waarom experimenteren met neuromorphic ontwerpen?
Een neuraal netwerk in de berekening wordt meestal vertegenwoordigd door een set van elementen in het geheugen — genaamd axonen, na hun collega ‘ s in de neurologie — die worden aangepast, of gewogen, in reactie op een reeks ingangen. Deze gewichten worden gezegd dat een indruk achterlaten, en het is deze indruk dat (hopelijk) een neuraal net kan herinneren wanneer u wordt gevraagd te onthullen van de gemeenschappelijke elementen tussen de ingangen. Als deze indruk kan worden behandeld als ‘leren’, dan een kleine neurale net kan worden getraind op het herkennen van letters van het alfabet na een uitgebreide training.
Provisioning van een neuraal netwerk model in een volledig digitale omgeving vraagt om een enorme hoeveelheid gegevens. Een cloud service provider is in een zeer gunstige positie om te profiteren van deze eis, in het bijzonder als het kan populariseren van de toepassingen die gebruik maken van machine learning. Dat is de reden waarom Amazon en anderen zijn zo enthousiast over deze dagen over de AI: Als een categorie van de taak, het is de grootste consument van gegevens.
Maar je hebt misschien gemerkt iets over de menselijke wezens: Ze hebben nogal bedreven met alleen de hersenen die ze hebben, zonder het gebruik van glasvezel links naar cloud service providers. Voor sommige reden, hersenen zijn kennelijk in staat om meer te leren, zonder de rauwe overhead van binaire opslag. In een perfecte wereld, een neuraal net-systeem moet in staat zijn om te leren gewoon wat een toepassing moet weten over de inhoud van een video, bijvoorbeeld, zonder dat elk frame van de video in hoge resolutie.
Denkbaar, terwijl een neuromorphic computer zou worden gebouwd op een vrij complexe motor, zodra de massa-geproduceerd, kan een verrassend eenvoudige machine. We kunnen niet precies hersenen groeien in potten nog. Maar als we een plausibele theorie van cognitie, we kunnen synthetiseren van een systeem dat zich houdt aan de regels van die theorie, misschien is het produceren van betere resultaten met minder energie en die een orde van grootte minder geheugen.
Als het onderzoek begon in 2012 in de richting van de bouw van het werken neuromorphic modellen, een team van onderzoekers met inbegrip van de California NanoSystems Institute aan de UCLA schreef het volgende [PDF]:
Hoewel de activiteit van individuele neuronen plaatsvindt ordes van grootte langzamer (ms) dan de kloksnelheid van de moderne microprocessoren (ns), het menselijk brein kan veel beter presteren dan de CMOS-computers in een verscheidenheid van taken zoals foto-herkenning, vooral bij het uitpakken van de semantische inhoud van een beperkte of verstoorde gegevens, wanneer de beelden worden gepresenteerd op een drastisch lagere resoluties. Deze mogelijkheden worden gezien als het resultaat van zowel de seriële en parallelle interacties binnen een hiërarchie van hersengebieden in een complexe, steeds terugkerende netwerk, waarbij de verbindingen tussen de neuronen vaak leiden tot feedback loops.
Ook: Neuton: Een nieuwe, verstorende neurale netwerk kader voor AI
Self-synthese
Een echt neuromorphic apparaat, haar beoefenaars te verklaren, zou zijn componenten die fysiek zelfassemblage. Specifiek, ze te betrekken bij atomic-schakelaars waarvan de magnetische kruispunten zou een beeld geven van de rol van synapsen, of de verbindingen tussen de neuronen. Apparaten die deze schakelaars zou gedragen alsof ze werden oorspronkelijk ontworpen voor de taken die ze uitvoeren, in plaats van zoals general-purpose computers die hun instructies van de elektronische programma ‘ s.
Een dergelijk apparaat zou niet per se te worden belast met het AI-toepassingen hebben in de praktijk. Stel je een verzameling van robot controllers op een werkvloer, bijvoorbeeld, waarvan de chips kon het uitlijnen van hun eigen schakelt wanneer ze waargenomen veranderingen in de vergaderingen van de onderdelen van de robots bouwen. Het Internet der Dingen wordt verondersteld op te lossen het probleem van de externe apparaten nodig nieuwe instructies voor de geëvolueerd taken, maar als deze apparaten waren neuromorphic door het ontwerp, ze zou het niet nodig de IoT.
Neuromorphic ingenieurs hebben gewezen op een tekort in de algemene computer chip ontwerp dat we zelden de tijd nemen om te overwegen: Als de Wet van Moore gedwongen chip ontwerpers te stampen meer transistors op circuits, is het aantal verbindingen tussen die transistors vermenigvuldigd, opnieuw en opnieuw. Vanuit een technisch standpunt, de efficiëntie van de draad die gebruikt wordt in deze verbindingen afgebroken met elke chip generatie. Lang geleden, zijn we gestopt in staat om te communiceren met alle logische poorten een CPU tijdens een interne klok cyclus.
Had chip-designs zijn neuromorphic een of twee decennia geleden, zouden we geen behoefte hebben aan een verdubbeling van het aantal transistors op een chip elke 12 tot 18 maanden voor het bereiken van de prestaties die we hebben gezien — die werden steeds kleiner en kleiner, hoe dan ook. Als je bedenkt elk interconnectie als een soort van “virtuele synapse,” en als elke synaps werden weergegeven atomair, chips kon schikken zich naar beste service van hun programma ‘ s.
Ook: Hoe IoT kan transformeren in vier sectoren dit jaar
Voorbeelden van neuromorphic engineering projecten
Vandaag de dag zijn er verschillende academische en commerciële experimenten aan de gang om te produceren, te werken, te reproduceren neuromorphic modellen, waaronder:
SpiNNaker [zie foto hierboven] is een low-grade, een supercomputer ontwikkeld door de ingenieurs van de duitse Jülich Centrum voor Onderzoek-Instituut van Neurowetenschappen en Geneeskunde, werken met de BRITSE Geavanceerde Processor Technologies Group aan de Universiteit van Manchester. Het is haar taak om te simuleren dat de functies van de zogenaamde corticale microschakelingen, zij het aan een trager tijdschaal dan zouden ze vermoedelijk functie als vervaardigd. In augustus 2018, Spinnaker uitgevoerd wat wordt beschouwd als de grootste neurale netwerk simulatie-to-date, waarbij ongeveer 80.000 neuronen met elkaar verbonden door zo ‘ n 300 miljoen synapsen.
Intel is te experimenteren met wat er wordt beschreven als een neuromorphic chip-architectuur, de zogenaamde Loihi (lo · EE · hee). Intel heeft zijn terughoudend in het delen van beelden die zou onthullen elementen van Loihi de architectuur, maar op basis van welke informatie wij hebben, Loihi zou produceren met behulp van een formulier van dezelfde 14 nm lithografische technieken Intel en anderen in dienst van vandaag. Voor het eerst aangekondigd in September 2017, en officieel in première in de volgende januari op de CES in 2018 door de toenmalige CEO Brian Krzanich, Loihi de microcode verklaringen die speciaal zijn ontworpen voor het trainen van een neuraal net. Het is ontworpen voor het implementeren van een toevoeging van neurale netwerken (SNN), waarvan het model voegt meer hersenen-achtige kenmerken.IBM behoudt een Neuromorphic Apparaten en Architecturen Project betrokken met nieuwe experimenten in analoge berekening. In een research paper, het IBM-team aangetoond hoe de niet-vluchtige phase-change memory (PCM) versnelde de feedback of backpropagation algoritme geassocieerd met neurale netwerken. Deze onderzoekers zijn nu op het werk te bepalen of PCM kan worden gebruikt in het modelleren van synthetische synapsen, het vervangen van de statische RAM-gebaseerd arrays gebruikt in haar eerdere TrueNorth en NeuroGrid ontwerpen (die niet neuromorphic).
Ook: Waarom Intel bouwde een neuromorphic chip
Het denkt, daarom is het
Een aantal van de meest belangrijke neuromorphic het onderzoek begon in 2002, in reactie op een voorstel van de ingenieurs met het italiaanse Fiat. Ze wilden een systeem dat kan reageren op een chauffeur in slaap vallen achter het stuur. Prof. dr. James K. Gimzewski van UCLA ‘ s California NanoSystems Institute (CNSI), reageerde door te onderzoeken of een complete switch zouden kunnen worden veroorzaakt door de toestand van het geheugen van de bestuurder van de hersenen. Hier is waar Gimzewski begon zijn zoektocht naar een verband tussen nanotechnologie en neurologie — bijvoorbeeld in de gemeten verschillen in elektrische potentiaal tussen de signalen die zijn opgenomen door de hersenen van de korte-termijn geheugen, en die met lange-termijn geheugen.
Schijnt een licht op de link van een zeer hoge hoogte is van UC Berkeley Prof. dr. Walter Freeman, die in de afgelopen jaren gespeculeerd over de relatie tussen de dichtheid van het weefsel van de cerebrale cortex, en niet minder dan het bewustzijn zelf — het biologische proces waarbij een organisme vertrouwen kunnen beweren dat het leven en denken. Freeman noemt dit dikke stof binnen de neocortex die vormen het orgaan van het bewustzijn van de neuropil, en terwijl Gimzewski ‘ s design heeft een veel kleinere schaal, hij is niet bang om te lenen dat concept voor de synthetische tegenhanger.
In 2014, Gimzewski première van zijn onderzoek, het tonen van foto ‘ s van een rooster van koperen pilaren in de buurt-micron-schaal, die zijn behandeld met een zilvernitraatoplossing. Eenmaal blootgesteld aan gasvormige zwavel, het zilver atomen vorm nanodraadjes van punt naar punt op het raster — draden die zich gedragen, op zijn minst goed genoeg, zoals synapsen. Volgens Gimzewski:
“Wij vinden dat wij de dimensie van de koper berichten. We konden verplaatsen… meer nanowire structuren, en het was te wijten aan het feit dat we kunnen voorkomen dat sommige instabiliteit die zich voordoen op de grotere schaal. We zijn dus in staat om deze zeer mooie nanowire structuren. Hier kunt u zien, u kunt zeer lange en korte. En met behulp van dit proces bottom-up constructie, met behulp van silicium technologie, [tegenstelling] van de top-down fabricage CMOS-proces… kunnen we dan het genereren van deze structuren… Het is ideaal, en elk van deze heeft een synthetische synaps.”
Het CNSI team fabricage proces is in staat om, Gimzewski claims, voor het storten van 1 miljard synaptische verbindt per vierkante centimeter. (In Maart 2017, Intel kondigde het erin te stampen 100 miljoen transistors op één vierkante centimeter CPU sterven.)
Ook: Zuid-Korea investeren meer dan $620 miljoen in nanotech R&D
Waarom neuromorphic techniek vereist een nieuwe klasse van de machine
Als je ooit hebt gespeeld schaken tegen een app, je hebt speelde met een van de vroegste en meest elementaire vormen van AI: de beslisboom. Liberaal gebruik van het woord “besluit” eindigt het maken van deze tak geluid weg te grandioze; in de praktijk is het uiterst eenvoudig, en het heeft nul te maken met de vorm of de vorm van de hersenen.
Diagram van een minimax beslisboom door Nuno Nogueira. Uitgebracht door middel van Wikimedia Commons.
In wezen, een beslissing tree algoritme geldt numerieke waarden beoordeeld mogelijkheden. Een schaak programma evalueert alle mogelijkheden die het kan vinden, voor bewegingen en counter-moves en counter-counter-moves goed in de toekomst en kiest met de beste getaxeerde waarde. Een schaakprogramma kan het zich onderscheiden van de anderen door de waarde punten attributen om de blootstelling of het vastleggen van een belangrijk stuk, of de sluiting van een belangrijke lijn van verdediging.
De mogelijkheid om te condenseren deze evaluaties in geautomatiseerde reactie patronen kunnen vormen van wat sommigen zouden noemen, ten minste rudimentarily, een “strategie”. De aanpassing van de strategie aan de veranderende omstandigheden is wat veel onderzoekers noemen zou leren. Google DeepMind eenheid is een voorbeeld van een project dat geldt louter wiskundige logica tot de taak van machine learning, zoals dit voorbeeld waarbij de modellering van de reacties van meerdere patiënten hart-en long-gedrag.
Ook: Google AI surft op het “gamescape” te veroveren spel theorie
Het nadeel van determinisme
Hier is het waar alles werpt zijn van het digitale tijdperk kledij en neemt op een meer fysieke, tastbare, Jules Verne-achtige sfeer: We hebben de neiging om te definiëren wat een ‘computer’ als noodzakelijk digitale, en alles waarmee een computing taak als een digitale component. Als neuromorphic wetenschap op zich uitstrekt in de architectuur van computing, hardware, zoals processors, hebben wetenschappers al gerealiseerd zijn er elementen van neuromorphology dat, zoals quantum computing, kunnen niet worden gemodelleerd digitaal. Toeval, of anderszins onverklaarbare verschijnselen, zijn onderdeel van de modus operandi.
Het belangrijkste probleem dat in wezen diskwalificeert een digitale computer van het nabootsen van een organische of een subatomaire entiteit, is de factor die maakt het zo betrouwbaar in de boekhouding: Het determinisme. Het hele punt van een digitale computer programma is om te bepalen hoe de machine moet functioneren, gegeven een bepaalde set van ingangen. Alle digitale computer programma ‘ s worden zowel deterministische of ze defect zijn.
De hersenen van een mens, of een dier tot nu toe bestudeerd zijn, is niet een deterministische organisme. We weten dat de neuronen zijn de belangrijkste onderdelen van het geheugen, hoewel we niet precies weten hoe de ervaringen en de sensorische input kaart zich aan deze neuronen. Wetenschappers hebben waargenomen, hoewel, dat de functies waarmee neuronen “vuur” (weergave piek elektrische ladingen) zijn probabilistische. Dat is te zeggen, de kans dat een neuron zal vuur, gegeven dezelfde ingangen (ervan uitgaande dat ze zou opnieuw kunnen worden gemaakt), is een waarde lager dan 100 procent.
Noch neurologen, noch programmeurs helemaal zeker waarom een menselijk brein kan zo gemakkelijk leren herkennen van letters als ze zo veel verschillende fonts, of om woorden te herkennen wanneer de stemmen van mensen zijn zo verschillend. Als u denkt dat van de hersenen alsof het een spier is, het kan stress, verbetert en versterkt het. Inderdaad, het verstand (de verschijnselen die voortvloeien uit het vermogen van de geest om reden) kan worden opgevat als een product van de hersenen aan te passen aan de informatie die de zintuigen afleiden uit de wereld om hem heen, door letterlijk de bouw van nieuwe fysieke materiaal aan te passen. Neurologen verwijzen naar deze aanpassing plasticiteit, en dit is een van de verschijnselen die neuromorphic ingenieurs hopen te simuleren.
Diagram Alish Dipani, uitgebracht door Intel Developer Mesh.
Een toevoeging van neurale netwerken (SNN) zou bereiken. In de biologische hersenen, elk neuron is verbonden met een verscheidenheid van input. Sommige ingangen produceren van excitatie in het neuron, terwijl anderen remmen het — zoals de positieve en negatieve gewichten in een kunstmatig neuraal net. Maar met een SNN, bij het bereiken van een bepaalde drempelwaarde staat beschreven door een variabele (of misschien wel met een functie), de neuron staat spikes, letterlijk verwijzen naar de elektrische uitgang. Het doel van een SNN model is te trekken van de conclusies van deze pieken, om te zien of u een afbeelding of een patroon activeert een geheugen.
Ook: Dit miljoen-core supercomputer is geïnspireerd door het menselijk brein
Wat maakt een neuromorphic chip meer analoog?
Er is een school van denken die betoogt dat, zelfs als een reeks van getallen is niet echt willekeurig, zo lang als het apparaat tekening conclusies op dat de gegevens niet op de hoogte, het maakt niet uit toch. Alle neurale netwerk modellen ontwikkeld voor deterministische systemen kunnen op grond van dit vermoeden.
Scott Fulton III
De contra-argument is dit: Wanneer een neuraal netwerk is geïnitialiseerd, de “gewichten” (de determinanten van de axonen’ waarden) moet worden gerandomiseerd. In de mate dat het mogelijk is voor een willekeurig patroon gelijk of exacte ene naar de andere, die mate moet worden toegeschreven als een vooroordeel, en dat bias weerspiegelt negatief op elk uiteindelijke resultaat.
Ook: een nieuw jaar, Nieuwe netwerken als onderzoekers optimaliseren AI
Waarom echte willekeur zaken
Er is ook nog dit: Elektromechanische componenten zijn in staat om de non-deterministische elementen die niet kunnen worden gesimuleerd in een volledig digitale omgeving, zelfs als we oogkleppen op. Onderzoekers aan de Purdue University experimenteren met magnetische tunnel juncties (MTJ) — twee ferromagnetische lagen daartussen een magnesium oxide barrière. Een elektrische stroom kan plagen een magnetische lading in te springen door de barrière tussen de lagen. Zulk een sprong kan worden analoog aan een prikker.
Een MTJ vertoont een gedrag dat doet denken aan een transistor, pesten elektronen in een kloof. In dit geval MTJ maakt een verdeling van de arbeid waar de ontvangst van ferromagnetische laag speelt de rol van axon, en de tunnel in-tussen portretteert een synaps.
De resulterende relatie is echt mechanisch, waar het probleem van de kosten van de beschreven worden, net als in het echte neuronen, op basis van waarschijnlijkheid. Dus eventuele fouten die het gevolg zijn van een inferentie-proces, waarbij MTJs of de onderdelen zoals ze zal niet worden toegeschreven aan een afwijking die niet kan worden geholpen door determinisme, maar in plaats daarvan naar fouten die worden gecorrigeerd met de juiste toewijding. Voor het hele traject betrouwbaar te zijn, de geïnitialiseerd waarden onderhouden door neuronen moeten echt gerandomiseerde.
Ook: Kunstmatige intelligentie heeft een waarschijnlijkheid probleem
De zaak tegen neuromorphic
Natuurlijk, neurologen en biotechnicians bagatelliseren elke neuromorphic computing-model als het stoppen van goed kort te simuleren echte hersenactiviteit. Sommigen gaan zo ver om te zeggen dat, voor zover het onderdelen van een neuromorphic systeem onvolledig zijn, een model van computing produceert het is helemaal fantastisch.
Dr. Gerard Marx, CEO van Jeruzalem op basis van onderzoeksbureau MX-Biotech Ltd., dat suggereert dat de heersende mening van de hersenen als een soort van oneindige tropische regenwoud, waar bomen van neuronen swing van synapsen in de open breeze, is een lading onzin. Ontbreekt in een dergelijk (e) model, Marx wijst, is een stof genaamd de extracellulaire matrix (nECM), die niet is een geleiachtige, neutrale zee, maar in plaats van een werkzame stof in de hersenen van de recall-proces.
Marx stelt dat het geheugen in de biologische hersenen vereist neuronen, de nECM, plus een verscheidenheid van dopants zoals neurotransmitters (NT) uitgebracht in de nECM. Elektrochemische processen plaatsvinden tussen deze drie elementen, de chemische reacties die niet alleen opgenomen, maar worden beschouwd als nauw verbonden met emotie. De fysiologische effecten die verband houden met het terugroepen van een geheugen (bijv., verhoogde bloeddruk, zwaarder ademen) trigger psychische effecten (opwinding, angst, angst, vreugde) die op zijn beurt een versterkend effect op het geheugen zelf. Schrijft Marx met zijn collega Chaim Gilon [PDF]:
We vinden onszelf in de omgekeerde positie van de jongen die riep: “De keizer heeft geen kleren aan!” als we uitroepen: “Er zijn geen “naakt neuronen!” Ze zijn swaddled in nECM, die is multi-functioneel zijn, aangezien het voorziet in een structurele ondersteuning en is een hydrogel waardoor vloeistoffen en kleine moleculen diffunderen. Het werkt ook als een “memory materiaal”, zoals beschreven door de tripartiete mechanisme waarmee NTs als encoders van emoties.
Dit is niet om te zeggen neuromorphic computing kan niet zwichten voordelen. Maar als de theorie is dat levert meer voordelen, zonder het nemen van alle andere delen van de hersenen in rekening, dan Marx ‘ s houding is, haar beoefenaars moeten stoppen met doen alsof je hersenen chirurgen.
Ook: hulp van het Geheugen: de Virtuele Realiteit kan snel helpen je halen voor een test
Wanneer neuromorphic potentiële kunnen piek
Op elk moment in de geschiedenis, is er een theoretische limiet van de rekenkracht van een supercomputer — een punt na die verhoging van de werkdruk levert niet meer, of geen betere resultaten. Die limiet is duwde naar voren in horten en stoten door de vooruitgang in de microprocessoren, onder meer door de invoering van de Gpu ‘s (voorheen slechts grafische processoren) en Google’ s ontwerp voor TPUs. Maar er is mogelijk een limiet aan het beperken van de uitbreiding, zoals de Wet van Moore werkt alleen wanneer de fysica geeft je de ruimte om de schaal te verkleinen.
Neuromorphic engineering punten aan de mogelijkheid om, als niet nog een kans, een enorme sprong vooruit in prestaties, door middel van een radicale verandering van wat het betekent om daaruit af te leiden informatie uit data. Zoals quantum-computing, het berust op een kracht van de natuur die we nog niet begrijpen: In dit geval, de informatieve vermogen van de ruis. Als al het onderzoek betaalt zich uit, supercomputers zoals we ze vandaag de dag zien kan worden weergegeven volledig verouderd in een paar jaar, vervangen door servers met synthetische, zelf-assemblerende neuronen die kan worden opgeborgen in gang kasten, het vrijmaken van de ruimte die door mega-scale data centra voor, zeg, zonne-energie generatoren.
Vorige en aanverwante dekking:
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat een quantum computer is, en waarom het moet meer
Het zou de voorbode van een geheel nieuwe medium van de berekening, het benutten van de onverklaarbare krachten van de subatomaire deeltjes, te vernietigen van de grenzen van de tijd in het oplossen van problemen niet te overzien. Uw deel in het maken van het gebeuren kan gewoon jezelf ervan te overtuigen dat zwart wit is en ‘up is down’.
Wat is het IoT? Alles wat je moet weten
Het Internet van Dingen uitgelegd. Wat het IoT is, en waar het gaat naast.
Lees meer — Van de CBS-Interactief Netwerk:
De AI-chip eenhoorn, die op het punt een revolutie voor alles
Waarom Intel bouwde een neuromorphic chip
Een neuromorphic, geheugen-centric chip architectureThe stijgen, dalen en stijgen van de supercomputer in de cloud eraThe diep-learning revolutie: Hoe het begrijpen van de hersenen laat ons een boost AI TechRepublicVoldoen aan de bizarre D&D wezens gemaakt door een neuraal netwerk CNET
Elders:
Een Zeldzaam Kijkje in IBM ‘ s True North Neuromorphic Chip door Nicole Hemsoth, Het Volgende Platform
IBM, Intel Heroverwegen Processor Ontwerpen om AI Workloads door Agam Shah, De Nieuwe Stapel
De HBP Neuromorphic Computing Platform Gids, een voortdurend bijgewerkte resource gepubliceerd via GitHub
Verwante Onderwerpen:
Kunstmatige Intelligentie
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software