科学与工程形成伙伴关系。他们相互依靠,共同努力,得到有用的产品。
今年的主题之一DAC是下一阶段的机器学习。就像cnn和RNNs正式迁移研究社区和剩下的现在是优化。学者们需要一些新的东西。很正确,他们已经鉴定出权力最大的问题与学习有关,推测今天,和一个大的一部分问题是与内存访问强加给所有体系结构的内存架构由冯诺依曼体系结构,推动cpu在过去的50年。
学者们一直在关注人类的大脑来寻找灵感,指出脉冲网络更接近,大脑工作的方式比大矩阵操作的银行存储的重量,这是今天的核心系统。脉冲火焰当一些重要的变化,不需要全新的图像或其他传感器数据相当于时钟每次火灾。早期研究表明,这些方法可以20 x 50 x效率更多的权力。
但这些不是一个确定的方向。问题的一部分是,尽管他们可能会显示这样的进步,他们不是一个流的一部分。此外,该工具不到位使他们今天可行的替代方案。一些研究已经进一步和原型系统。但是我们发现,在一天结束的时候,我们要制造这样的系统使用相同的技术我们通用计算,这地方限制能做些什么,迫使某些决策。
其他研究人员指出我们往往决定解决方案,不模仿身体机能。这样的一个例子是,自从工业革命以来,基于汽车运动,齿轮和其他事情依靠圆周运动——不像身体运作的方式。圆形组件很容易控制,特别是在制造、和允许一个可重复的制造过程。对于大多数应用程序,这是不可能改变。
但当权力比成本更重要或准确性,其他技术做提供福利,这看起来更像是系统我们发现尸体。液压用于几乎所有建筑设备和应用程序与大的重量或力量。当精度也要求反馈系统可以到位,但大多数时候这是作为操作符的函数。工程解决方案不需要接受一个孤注一掷的解决方案,与大多数生命形式,这种冗余是极其浪费的。我们看到它的一些地区,如牙齿,它在动物王国非常专业。甚至在人类口中我们有三种不同类型的牙齿,每个特定函数进行了优化。
双方的论点是正确的。它的角色是工程提供最好的解决方案的限制。与此同时,它的角色是科学家们识别新方法,可以提供优势从长远来看,还是可以帮助我们克服现有方法的局限性。现有的机器学习技术力量已经遇到的问题和许多应用程序正在向更大、更复杂的问题,需要更多的计算能力。
作为一个社区,我们不能坐下来接受极端的能量被浪费在这些系统中,我们应该欢迎这样的研究。我们也应该开放设法把那些到现有的基础设施。但这里的问题是,进一步我们下到老鼠洞的,越贵就走出去,开始新的洞。
采用机器学习已经发生的和它一样快,因为一些公司决定投资大量的资金建设基础设施得到迅速到生产系统。他们这样做是因为他们有金融的动机。研究者们需要记住这一点,他们必须确定谁将获得资金。我知道这是一个丑陋的想法,但这是当代的现实。科学不使过渡到工程仍在教科书,但是如果他们能找到正确的工业赞助商,他们将帮助他们转移他们的突破科学工程。
|
|
|
|
|
|
|
|
|
|
留下一个回复