当前实现的仅仅是表面的这种技术能做什么,和创建自己的一组问题。
人工智能无处不在。AI /毫升芯片,艾未未被用于设计和制造芯片。
在AI /毫升芯片方面,大型系统公司和创业公司争取数量级的提高性能。实现,设计团队添加从cpu、gpu, tpu、dsp、fpga以及小和eFPGAs。他们还使用小的记忆,可以在多个方向的处理器,以及更大的记忆芯片和高速连接片外HBM2或GDDR6。
这些芯片背后的推动力量是能够处理大量的数据比过去快多了某些情况下,两个或三个数量级。需要大量的数据吞吐量,和这些芯片架构所以没有瓶颈吞吐量或处理。到目前为止,最大的挑战是让这些处理元素足够忙,因为闲置处理元素成本钱。这是更容易与训练数据比推测,但这可能会发生变化,因为更多的跨各种片边缘进行推论。
有一整套的另一边AI,挑战是发现和应对数据中的模式,以及设置参数可接受的行为。这是该地区最终将有最大的影响在我们生活的世界,但到目前为止,研究人员只触及表面。最大的问题是什么可以用这种技术,而且直接关系到对那些高度先进的人工智能架构的需求,包括在处理完成,可以使用多大的权力。
人工智能,在许多方面,是下一个版本的设备扩展。而不是扩展硬件特性,利用软件算法和网络的大改进,。而不是一个标准的冯·诺依曼计算架构和软件堆栈的组合优化,硬件软件相匹配,这是寻找和反应模式在数据而不是试图理解单个位。投入的角度来看,主流的计算机体系结构在很大程度上是建立在改善旧的卡片模型,这可以追溯到近130年前。AI将该模型的物理限制以外的设备通过使用模式识别和神经网络。
人工智能已经使用在某种程度上与面部识别的智能手机,它在汽车应用中需要识别和分类对象。但它可以进一步扩展。为半导体、模式识别可以作为桥梁设计、制造,甚至后期制作数据。能够识别可接受的行为分布在芯片或终端设备可以为预测分析和自愈系统是非常有用的。这不是一段为例,设计一个人工智能系统,可以通过一个系统,管理数据流量和变更时交通的部分系统损坏或不正常运作。
什么还不清楚,不过,所有这些需要多少开销在力量方面,性能和设计成本。人工智能比赛的第一部分已经得到快速的芯片和系统启动并运行。下一部分将看到多远它可以扩展经济将对系统设计的影响,多少少精度将对最终的结果产生影响,以及所有这些费用。
人工智能是一个巨大的旋钮将在科技世界各种各样的可能性。下一步是找出从市场和成本的角度来看,现实,开始制定路线图给一些结构发展努力大量VC投资开始缩小。
|
|
|
|
|
|
|
|
|
|
伟大的文章,
下一项技术是什么呢?这个故事可以构建的发射所谓Hyperdimensional计算?我建议看看《科学》杂志上——机器人由马里兰大学的团队或条这一事实外表之下的东西替代人工智能。也从加州伯克利贾斯汀黄西的博士论文建议阅读如果你喜欢负电容栅晶体管结合HDC。
HDC终于从冬眠醒来爆炸现场,所以准备是非常忙,这个种子的认知计算围绕我们所有人…