โดย John P. Desmond บรรณาธิการ AI Trends
กฎของมัวร์ยังห่างไกลจากความตาย และในความเป็นจริง เรากำลังเข้าสู่ยุคใหม่ของนวัตกรรม ด้วยการผสมผสานชิปเฉพาะทางที่พัฒนาขึ้นใหม่ ผสมผสานกับการเดินขบวนของ AI และการเรียนรู้ของเครื่อง
"การปรับปรุงพลังการประมวลผลที่ไม่เคยมีมาก่อนและมหาศาลเหล่านี้รวมกับข้อมูลและปัญญาประดิษฐ์จะเปลี่ยนวิธีที่เราคิดเกี่ยวกับการออกแบบฮาร์ดแวร์ การเขียนซอฟต์แวร์ และการใช้เทคโนโลยีกับธุรกิจโดยสิ้นเชิง” บัญชีล่าสุดจาก ซิลิคอนมุม เขียนโดย Dave Vellante และ David ฟลอเยอร์.
Vellante เป็นซีอีโอร่วมของ SiliconAngle Media และนักวิเคราะห์อุตสาหกรรมเทคโนโลยีมาอย่างยาวนาน David Floyer ทำงานมากกว่า 20 ปีที่ IBM และต่อมาที่ IDC ซึ่งเขาทำงานเกี่ยวกับกลยุทธ์ด้านไอที
กฎของมัวร์ คำทำนายของกอร์ดอน มัวร์ วิศวกรชาวอเมริกันในปี 1965 เรียกร้องให้มี 40% การปรับปรุงประสิทธิภาพในการประมวลผลส่วนกลางทุกปี โดยพิจารณาจากจำนวนทรานซิสเตอร์ต่อชิปซิลิกอนที่เพิ่มเป็นสองเท่าทุกปี
อย่างไรก็ตาม การระเบิดของพลังการประมวลผลทางเลือกในรูปแบบของระบบใหม่บนชิป (SoC) นั้นเพิ่มขึ้นอย่างรวดเร็วอย่างรวดเร็วในอัตรา 100% ต่อปี ผู้เขียนแนะนำ การใช้ตัวอย่างการพัฒนา SoC ของ Apple จาก A9 ถึง A14 ระบบไบโอนิคขนาด 2015 นาโนเมตรบนชิป ผู้เขียนกล่าวว่าการปรับปรุงตั้งแต่ปี 118 นั้นสูงกว่า XNUMX% เป็นประจำทุกปี
สิ่งนี้ได้แปลเป็น AI ใหม่ที่ทรงพลังบน iPhone ซึ่งรวมถึงการจดจำใบหน้า การรู้จำคำพูด การประมวลผลภาษา การเรนเดอร์วิดีโอ, และความเป็นจริงยิ่ง
ด้วยกำลังในการประมวลผลที่เร็วขึ้นและต้นทุนของชิปที่ลดลง ปัญหาคอขวดที่เกิดขึ้นจึงอยู่ในการจัดเก็บและเครือข่ายในการประมวลผล-ผู้เขียนแนะนำ 99%—กำลังถูกผลักไปที่ขอบซึ่งข้อมูลส่วนใหญ่มีที่มา
“พื้นที่จัดเก็บและเครือข่ายจะมีการกระจายและกระจายอำนาจมากขึ้น” ผู้เขียนกล่าว พร้อมเสริมว่า “ด้วยซิลิคอนแบบกำหนดเองและพลังการประมวลผลที่วางไว้ทั่วทั้งระบบพร้อม AI ฝังตัวเพื่อเพิ่มประสิทธิภาพเวิร์กโหลดสำหรับเวลาแฝง ประสิทธิภาพ แบนด์วิดท์ ความปลอดภัย, และมิติอื่นๆ ของมูลค่า”
การเพิ่มขึ้นอย่างมากในพลังการประมวลผลและชิปที่ถูกกว่าจะขับเคลื่อนคลื่นลูกต่อไปของ AI, ความฉลาดของเครื่องจักร, การเรียนรู้ของเครื่อง, และการเรียนรู้อย่างลึกซึ้ง และในขณะที่ AI ส่วนใหญ่ในปัจจุบันมุ่งเน้นไปที่การสร้างและฝึกอบรมโมเดล ซึ่งส่วนใหญ่เกิดขึ้นในระบบคลาวด์ "เราคิดว่าการอนุมานของ AI จะนำมาซึ่งนวัตกรรมที่น่าตื่นเต้นที่สุดในอีกไม่กี่ปีข้างหน้า"
ในการอนุมาน AI จะใช้อัลกอริธึมการเรียนรู้ของเครื่องที่ได้รับการฝึกอบรมมาเพื่อคาดการณ์ และด้วยการประมวลผลในพื้นที่ การฝึกอบรมจะนำไปใช้ในการปรับไมโครแบบเรียลไทม์ ผู้เขียนกล่าวว่า "โอกาสในการอนุมาน AI ที่ขอบและใน "อินเทอร์เน็ตของสิ่งต่างๆ" นั้นยิ่งใหญ่
การใช้การอนุมานด้วย AI จะเพิ่มมากขึ้นเมื่อรวมเข้ากับรถยนต์ที่เป็นอิสระซึ่งเรียนรู้ขณะขับรถ โรงงานอัจฉริยะ ค้าปลีกอัตโนมัติ หุ่นยนต์อัจฉริยะ, และการผลิตเนื้อหา ในขณะเดียวกัน แอปพลิเคชัน AI ที่อิงตามแบบจำลอง เช่น การตรวจจับการฉ้อโกงและเครื่องมือแนะนำ จะยังคงมีความสำคัญแต่ไม่เห็นอัตราการใช้งานที่เพิ่มขึ้นเช่นเดียวกัน
“ถ้าคุณเป็นองค์กร คุณไม่ควรเครียดกับการประดิษฐ์ AI” ผู้เขียนแนะนำ “ในทางกลับกัน คุณควรเน้นไปที่การทำความเข้าใจว่าข้อมูลใดทำให้คุณได้เปรียบในการแข่งขัน และวิธีการใช้ปัญญาประดิษฐ์ของเครื่องและ AI เพื่อเอาชนะ”
นวัตกรรมฮาร์ดแวร์ AI
แนวโน้มในโปรเซสเซอร์ AI ที่ทรงพลังยิ่งขึ้นนั้นดีสำหรับอุตสาหกรรมเซมิคอนดักเตอร์และอิเล็กทรอนิกส์ นวัตกรรมห้าประการในฮาร์ดแวร์ AI ชี้ให้เห็นถึงแนวโน้ม ตามบัญชีล่าสุดใน องค์ประกอบ.
AI ในควอนตัมฮาร์ดแวร์ IBM มีคอมพิวเตอร์ควอนตัม Q ที่ออกแบบและสร้างขึ้นเพื่อใช้ในเชิงพาณิชย์ Google ได้ติดตามชิปควอนตัมด้วย Foxtail, Bristlecone, และโครงการมะเดื่อ
วงจรรวมเฉพาะแอปพลิเคชัน (ASICs) ได้รับการออกแบบมาสำหรับการใช้งานเฉพาะ เช่น เรียกใช้การวิเคราะห์ด้วยเสียงหรือการขุด bitcoin
อาร์เรย์เกทที่ตั้งโปรแกรมได้ เป็นวงจรรวมสำหรับการกำหนดค่าการออกแบบและความต้องการของลูกค้าในกระบวนการผลิต มันทำงานเป็นกลไกเชิงสนามและเปรียบเทียบกับอุปกรณ์เซมิคอนดักเตอร์ตามเมทริกซ์ที่กำหนดค่าได้
ชิป Neuromorphic ได้รับการออกแบบด้วยเซลล์ประสาทเทียมและไซแนปส์ที่เลียนแบบการทำงานของสมองมนุษย์ และมีเป้าหมายเพื่อระบุเส้นทางที่สั้นที่สุดในการแก้ปัญหา
AI ในชิปประมวลผลขอบ มีความสามารถในการวิเคราะห์โดยไม่มีเวลาแฝง ซึ่งเป็นทางเลือกที่ดีสำหรับแอปพลิเคชันที่มีแบนด์วิดท์ข้อมูลเป็นสำคัญ เช่น การวินิจฉัยด้วย CT scan
บริษัทซอฟต์แวร์ AI ตั้งเป้า AI เพื่อปลดล็อกมูลค่า
บริษัทสตาร์ทอัพกำลังฝัง AI ไว้ในซอฟต์แวร์เพื่อช่วยให้ลูกค้าปลดล็อกคุณค่าของ AI สำหรับองค์กรของตนเอง
ตัวอย่างหนึ่งคือ Determined AI ซึ่งก่อตั้งขึ้นในปี 2017 เพื่อเสนอแพลตฟอร์มการฝึกอบรมการเรียนรู้เชิงลึกเพื่อช่วยให้นักวิทยาศาสตร์ด้านข้อมูลสามารถฝึกโมเดลที่ดีขึ้นได้
ก่อนก่อตั้ง Determined AI CEO และผู้ร่วมก่อตั้ง Evan Sparks เป็นนักวิจัยที่ AmpLab ที่ UC Berkeley ซึ่งเขามุ่งเน้นไปที่ระบบกระจายสำหรับการเรียนรู้ของเครื่องขนาดใหญ่ ตามบัญชีล่าสุดใน ZDNet. เขาทำงานที่ Berkeley กับ David Patterson นักวิทยาศาสตร์คอมพิวเตอร์ที่เถียงว่าซิลิคอนแบบกำหนดเองเป็นความหวังเดียวสำหรับการเติบโตของการประมวลผลคอมพิวเตอร์อย่างต่อเนื่องซึ่งจำเป็นเพื่อให้ทันกับกฎของมัวร์
AI ที่กำหนดได้พัฒนาเลเยอร์ซอฟต์แวร์ที่เรียกว่า ONNX (Open Neural Network Exchange) ซึ่งอยู่ใต้เครื่องมือการพัฒนา AI เช่น TensorFlow หรือ PyTorch และเหนือช่วงของชิป AI ที่รองรับ ONNX เกิดขึ้นภายใน Facebook ซึ่งนักพัฒนาต้องการให้นักพัฒนา AI ทำการวิจัยในภาษาใดก็ตามที่พวกเขาเลือก แต่จะปรับใช้ในกรอบงานที่สอดคล้องกันเสมอ
“มีหลายระบบสำหรับเตรียมข้อมูลของคุณสำหรับการฝึกอบรม ทำให้มีประสิทธิภาพสูงและมีโครงสร้างข้อมูลกะทัดรัด และอื่นๆ” Sparks กล่าว “นั่นเป็นขั้นตอนที่แตกต่างกันในกระบวนการ เวิร์กโฟลว์ที่แตกต่างจากการทดลองที่เข้าสู่การฝึกแบบจำลองและการพัฒนาแบบจำลอง”
“ตราบใดที่คุณได้รับข้อมูลในรูปแบบที่ถูกต้องในขณะที่คุณกำลังพัฒนาแบบจำลอง ไม่สำคัญว่าคุณกำลังทำระบบข้อมูลต้นน้ำแบบใด” เขากล่าว “ในทำนองเดียวกัน ตราบใดที่คุณพัฒนาในภาษาระดับสูงเหล่านี้ ฮาร์ดแวร์การฝึกอบรมใดที่คุณใช้อยู่ ไม่ว่าจะเป็น GPU หรือ CPU หรือตัวเร่งความเร็วที่แปลกใหม่ก็ไม่สำคัญ”
นี่อาจเป็นแนวทางในการควบคุมต้นทุนในการพัฒนา AI “คุณปล่อยให้ยักษ์ใหญ่, Facebook และ Googles ทั่วโลกทำการฝึกอบรมครั้งใหญ่เกี่ยวกับข้อมูลปริมาณมหาศาลด้วยพารามิเตอร์หลายพันล้านตัว โดยใช้เวลาหลายร้อยปีในการจัดการปัญหากับ GPU” Sparks กล่าว “จากนั้น แทนที่จะเริ่มต้นจากศูนย์ คุณต้องใช้แบบจำลองเหล่านั้นและอาจใช้แบบจำลองเหล่านั้นเพื่อสร้าง การฝังที่คุณจะใช้สำหรับงานดาวน์สตรีม".
สิ่งนี้สามารถปรับปรุงการประมวลผลภาษาธรรมชาติและแอปพลิเคชั่นการรู้จำภาพบางอย่างเป็นต้น
อ่านบทความต้นฉบับใน ซิลิคอนมุมใน องค์ประกอบ และใน ZDNet.
- เร่ง
- ลงชื่อเข้าใช้
- ความได้เปรียบ
- AI
- ขั้นตอนวิธี
- อเมริกัน
- การวิเคราะห์
- นักวิเคราะห์
- การใช้งาน
- รอบ
- บทความ
- ปัญญาประดิษฐ์
- เพิ่มความเป็นจริง
- ผู้เขียน
- รถยนต์
- อัตโนมัติ
- อิสระ
- รถยนต์อิสระ
- เบิร์กลีย์
- Bitcoin
- การทำเหมือง Bitcoin
- คณะกรรมการ
- การก่อสร้าง
- ธุรกิจ
- รถยนต์
- ผู้บริหารสูงสุด
- เปลี่ยนแปลง
- ชิป
- ชิป
- เมฆ
- ผู้ร่วมก่อตั้ง
- มา
- เชิงพาณิชย์
- บริษัท
- บริษัท
- การคำนวณ
- เนื้อหา
- เครดิต
- ลูกค้า
- ข้อมูล
- ตาย
- ซึ่งกระจายอำนาจ
- การเรียนรู้ลึก ๆ
- ออกแบบ
- การตรวจพบ
- AI ที่กำหนดไว้
- พัฒนา
- นักพัฒนา
- พัฒนาการ
- อุปกรณ์
- ขอบ
- การคำนวณที่ทันสมัย
- อิเล็กทรอนิกส์
- วิศวกร
- Enterprise
- ตลาดแลกเปลี่ยน
- ขยาย
- การจดจำใบหน้า
- โฟกัส
- ฟอร์ม
- รูป
- กรอบ
- การหลอกลวง
- ดี
- GPU
- GPUs
- การเจริญเติบโต
- ฮาร์ดแวร์
- จุดสูง
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- HTTPS
- ใหญ่
- ร้อย
- ไอบีเอ็ม
- ไอดีซี
- แยกแยะ
- ภาพ
- การจดจำภาพ
- อุตสาหกรรม
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- Intelligence
- IT
- ภาษา
- ภาษา
- กฏหมาย
- ชั้นนำ
- เรียนรู้
- การเรียนรู้
- ในประเทศ
- นาน
- เรียนรู้เครื่อง
- การทำ
- การผลิต
- มีนาคม
- ภาพบรรยากาศ
- การทำเหมืองแร่
- แบบ
- การสร้างแบบจำลอง
- ภาษาธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- เครือข่าย
- เครือข่าย
- เครือข่าย
- ประสาท
- เครือข่ายประสาท
- เสนอ
- เปิด
- ใบสั่ง
- อื่นๆ
- การปฏิบัติ
- เวที
- อำนาจ
- คำทำนาย
- การคาดการณ์
- การผลิต
- โครงการ
- ไฟฉาย
- ควอนตัม
- พิสัย
- ราคา
- ความจริง
- รายงาน
- การวิจัย
- ค้าปลีก
- เส้นทาง
- วิ่ง
- วิ่ง
- การสแกน
- นักวิทยาศาสตร์
- สารกึ่งตัวนำ
- สมาร์ท
- So
- ซอฟต์แวร์
- การรู้จำเสียง
- การใช้จ่าย
- ผู้ให้การสนับสนุน
- ระยะ
- การเก็บรักษา
- กลยุทธ์
- ความเครียด
- รองรับ
- ระบบ
- ระบบ
- เทคโนโลยี
- อุตสาหกรรมเทคโนโลยี
- เทคโนโลยี
- tensorflow
- ที่มา
- คิด
- เวลา
- การฝึกอบรม
- แนวโน้ม
- ความคุ้มค่า
- เสียงพูด
- คลื่น
- Whitepaper
- WHO
- ชนะ
- ภายใน
- เวิร์กโฟลว์
- โรงงาน
- โลก
- การเขียน
- ปี
- ปี
- ZDNET