Q:
Hvordan kan nye MIT-chips hjælpe med neurale netværk?
EN:Nyt videnskabeligt arbejde på neurale netværk kan reducere deres strøm- og ressourcebehov til det punkt, hvor ingeniører kunne sætte deres magtfulde kapaciteter i langt mere forskellige apparater.
Det kan have en enorm indflydelse på alt i vores liv, fra hvordan vi tilbereder mad til, hvordan vi går til lægen, eller hvordan vi omgår ved hjælp af vores biler eller offentlig transport.
Tænk over, hvordan smartphones ændrede vores liv - så tænk på at få maskinlæring og teknologier til kunstig intelligens indbygget i disse små, bærbare enheder.
Noget af dette banebrydende arbejde udstilles på MIT, hvor nogle studerende inden for elektroteknik og datalogi ser på, hvordan man forbedrer design og opbygning af AI / ML-systemer.
Specifikt får indsatsen fra Abhishek Biswas, en MIT-kandidatstuderende, og forskellige kolleger meget opmærksomhed i teknologipressen.
Techcrunch taler om, hvordan udviklingen af neurale netværksvidenskab kunne fremme "computing ved kanten" og sætte mere kraftfulde teknologier i bærbare batteridrevne enheder.
Forbes siger, at Biswas 'gennembrud kunne "lægge kunstig intelligens i din blender."
Generelt gør MIT-forskernes fremskridt bølger, delvis fordi det er tydeligt, hvordan disse resultater kan påvirke vores forbrugerteknologier såvel som dem, der bruges til regerings- eller forretningsformål.
I hovedsagen har den type processorudvikling, som Biswas beskriver, at gøre med samlokaliseringsfunktioner i et chipmiljø. I en Science Daily-artikel forklarer forfatteren, hvordan de fleste traditionelle processorer har hukommelse, der er gemt uden for behandlingsområdet, og data sendes frem og tilbage. Imidlertid tager dette behov for bevægelse af lagrede hukommelsesdata meget strøm.
Biswas taler om “dot-produktet” eller kernefunktionen, der hjælper neurale netværk med at arbejde. Disse forskere overvejer også brugen af binære vægte til at forenkle systemer - og denne idé har virkelig været en grundlæggende del af datalogi, lige siden de første personlige computere blev opfundet.
Ved at promovere disse typer hardwareændringer giver forskere mere alsidighed til maskinindlæring og kunstige intelligensværktøjer, der ændrer, hvordan vi bruger teknologier. Ved at gå fra rent deterministisk lineær programmering til et system, hvor computere efterligner menneskelig hjerneaktivitet, er vi ved at gå i gang med et nyt eventyr med langt mere kraftfulde teknologier lige ved hånden.
