“ما تراشه هایی می سازیم که مانند مغز فکر می کنند” – یک صندلی ردیف جلو وجود دارد تا ببینیم چگونه محاسبه عصبی دستگاه هوشمند بعدی شما را تبدیل می کند

از آنجا که دستگاه های “هوشمند” امروز هستند ، آنها در مورد کار دقیق تر از کار بیشتر خوب نیستند. هوش مصنوعی به طور مداوم باعث می شود که ابر و تراشه به کارهای پردازش مداوم رعایت شود (حتی اگر دستگاه در خواب باشد) ، این منجر به مصرف قدرت بالا ، حریم خصوصی محدود و نیازهای پیوسته می شود.
فرایند اطلاعات عصبی یک جایگزین رادیکال ارائه می دهد ، اما چیست؟ در حالی که بسیاری از شما این مطلب را خوانده اید ، می فهمم که شما برای اولین بار این عبارت را شنیده اید. به عبارت ساده تر ، یک تراشه رایانه ای کاملاً جدید که به عنوان یک مغز انسان فکر می کند و عمل می کند – فقط در صورت لزوم در فعالیت افزایش می یابد.
با الهام از نحوه کار مغز ، دستگاه ها می توانند دنیای اطراف خود را در زمان واقعی تفسیر کنند و کارهای کلیدی را بدون استفاده از برخی از قدرت و ارسال داده ها به ابر انجام دهند.
Innatera یکی از اولین کنترل کننده های عصبی است که برای استفاده در دنیای واقعی ساخته شده است. 30-40 برابر کوچکتر از یک پنی قصد دارد عمر باتری باهوش و طولانی تر را درک کند ، از زنگ های درب هوشمند گرفته تا بینندگان تناسب اندام.
اما این فقط آغاز است. من رویای زمانی را می بینم که تراشه های عصبی می توانند با تراشه های سخت تر در بهترین لپ تاپ ها و تلفن های هوشمند برای هوش سریع ، کارآمد و فوق العاده کم کار کنند. این را به عنوان NPU نسل جدید یا موتور عصبی فکر کنید.
من با Sumeet Gamar ، شریک بنیانگذار و مدیرعامل Innatera صحبت کردم تا در مورد آنچه در واقع محاسبه عصبی ، نحوه کار آن و چه معنایی برای دستگاه هوشمند بعدی شما است ، کسب کنم.
برای خوانندگانی که هرگز از فرایند اطلاعات عصبی نشنیده اند – این چیست و چگونه با تراشه های هوش مصنوعی در تلفن های ما یا دستگاه های خانه هوشمند امروز تفاوت دارد؟
پردازش اطلاعات عصبی یک کلاس هوش مصنوعی است که از نحوه پردازش اطلاعات مغز انسان الهام می گیرد. پردازنده های نورومورفیک دائماً داده های ورودی را پردازش می کنند و به جای بارگیری ، مانند تراشه های سنتی AI – از نحوه کار مغزهای بیولوژیکی تقلید می کنند تا دائماً داده های حسی بگیرند ، اما فقط برای صرف انرژی برای پردازش بخش هایی از موارد مربوطه.
SNN ها یک مفهوم تسویه شده از زمان دارند که باعث می شود آنها در یافتن الگوهای مکانی و زمانی در داده ها بدون نیاز به شبکه های عصبی پیچیده سریع و بزرگ ، خوب باشند.
پردازنده های نورومورفیک مانند Innatera Pulsar از تعدادی نورون سیلیکون با انرژی با سیناپ های قابل برنامه ریزی برای اجرای SNN ها بر روی سخت افزار استفاده می کنند. نورون ها و سیناپس ها به طور همزمان کار می کنند و برای هر عمل مقادیر کمی انرژی مصرف می کنند.
مهمتر اینکه ، آنها به روشی مبتنی بر یک رویداد کار می کنند ، یعنی آنها فقط در صورت ارائه داده های مربوطه محاسبه می کنند. این به Pulsar اجازه می دهد تا به سرعت داده های سنسور را به سرعت و با قدرت بسیار کمی ، کاملاً محلی به دستگاه انجام دهد. این ویژگی ها به ویژه برای دستگاه های خانگی هوشمند ، برنامه های تشخیص هوشمند مهم هستند.
به عنوان مثال ، یک زنگ درب هوشمند بگیرید. به طور سنتی ، دوربین هر بار که حرکتی دارید ، بدون توجه به این واقعیت که یک برگ یا پرنده ای در باد وجود دارد ، اعلان ارسال می کند.
با ادغام یک پردازنده عصبی در این دستگاه ، شما نمی توانید بدون باز کردن دوربین از طریق فناوری مانند رادار ، محیط را به طور مداوم درک کنید ، اما می توانید داده ها را از رادار نیز برای باز کردن دوربین تفسیر کرده و هنگام حضور در انسان درک کنید. همه اینها با انرژی بسیار کمی.
رویکرد Innatera باعث کاهش مصرف انرژی برای پردازش زمان واقعی خواهد شد و همه باعث می شود یک برنامه تشخیص جدید حتی در دستگاه های کوچک باتری بدون تکیه به برنامه های گرسنه ، پردازنده ها یا ابرها امکان پذیر شود. با گذشت زمان ، این پردازنده ها می توانند فوراً سازگار و یاد بگیرند که سیستم های باهوش تر و حساس را از همیشه ایجاد کنند.
چه نوع دستگاه های روزانه می تواند از تراشه های نورومورفیک بیشتر بهره مند شود – و این واقعاً چگونه تجربه یک کاربر را تغییر می دهد؟

دستگاه هایی که همیشه سنسورها را در زمینه های باز توزیع می کنند ، همچنان بیشترین فن آوری های عصبی را سود می برند. این رایج ترین در بازار الکترونیک مصرفی عمودی – خانه هوشمند ، دستگاه های پوشیدنی و همچنین IoT صنعتی و اتوماسیون ساختمان است. فن آوری های عصبی باعث می شود سنسورها در موارد استفاده دقیق عمل کنند.
برای یک کاربر ، این به اتوماسیون حساس تر و قابل اعتماد تر تبدیل می شود ، که با خطر حریم خصوصی برای ارسال داده های کاربر به ابر همراه است و از همه مهمتر ، باتری دستگاه را بارگیری نمی کند.
فناوری عصبی برای مشاغل با یک فاکتور کوچک مواد ، مصرف انرژی فوق العاده ای که باعث ادغام در هر نقطه می شود ، هوش و عملکرد بالایی را فراهم می کند ، و قابلیت برنامه نویسی را فراهم می کند که امکان سازگاری هوش با جعبه های مختلف استفاده را فراهم می کند. این به سرعت به محصولات باهوش تر ، همیشه محصولات هوشمند با قابلیت باز ارائه می شود.
تناسب اندام را می توان در طی یک روز بدون خالی کردن باتری خود پوشید و حرکات خود را تشخیص داد و صدای شما را فوراً تشخیص می دهد. یا یک سنسور خانه هوشمند که نمایش مورد علاقه شما را در تلویزیون متوقف می کند در حالی که می خواهید برای تنظیم ، دما و حتی تحویل ، بدون آلارم کاذب ، بدون آلارم کاذب پاسخ دهید.
تراشه های نورومورفیک ، مانند میکروکنترلر جدید Innatera ، پالسار ، این امکان را با درک درک واضح از بخشی از قدرت مورد نیاز پردازنده های سنتی فراهم می کند ، و فراهم آوردن عمر باتری طولانی تر ، واکنش پذیری نزدیک و ویژگی های غنی تر در دستگاه های کوچکتر و کوچکتر و کوچکتر و کوچکتر و کوچکتر است.
شما گفتید که پردازنده های عصبی پس از مغز انسان مدل سازی شده اند. این در عمل به چه معنی است و مزایای واقعی این رویکرد چیست؟
در عمل ، این بدان معنی است که پردازنده از اعلام نورون ها و سیناپس ها برای تقلید از نحوه عملکرد مغز استفاده می کند – این کار پراکنده است و فقط به وقایع مهم واکنش نشان می دهد.
به عنوان مثال ، تراشه پالسار Innatera مصرف انرژی کمتری را تا 500 برابر از پردازنده های سنتی AI و تأخیر کمتر از 100 برابر فراهم می کند.
توضیح دهنده

بهترین زنگ های درهای هوشمند که می توانید خریداری کنید می توانند در حین انتشار ویدئو و تشخیص حرکت و بارگیری آنها در ابر ، تقریباً 6 وات قدرت را بالاتر از استنتاج های هوش مصنوعی مصرف کنند تا تصمیم بگیرند که آیا شما از اقدام به شما اطلاع می دهید. با استفاده از ابر ، تأخیر در تصمیم گیری می افزاید. تغییر سیلیکون سنتی برای یک تراشه عصبی به کاهش هزینه انرژی AI بیش از 100 برابر کمک می کند.
برای بسیاری از برنامه ها ، این به معنای دستیابی به تأخیرها در توزیع برق زیر 1MW و میلی ثانیه در کارهای هوش مصنوعی است که در محدوده 90 ٪+به دقت می رسد. با تأمین هوش بدون قربانی کردن قدرت یا حساسیت ، کارآیی الهام از این مغز باعث می شود که هم برای دستگاه های پوشیدنی ، سنسورهای هوشمند و سایر دستگاه های فوق العاده قدرت که در آن هر مایکروات مهم است ، هم عملی و هم تحول پذیر باشد.
در بسیاری از توزیع هوش مصنوعی موجود ، توسعه دهندگان اغلب باید بین پیچیدگی ، دقت ، توزیع برق و تأخیر تجارت کنند. غالباً ، توزیع Edge با انتخاب حرکت همه هوش مصنوعی با عملکرد بالا به پردازنده ها یا ابرهای فشرده ، توزیع انرژی کم را در هر چیز دیگری انتخاب می کند. Innatera این سازش را با Pulsar باز می کند تا عملکردهای AI با عملکرد بالا را در یک پاکت قدرت فوق العاده و تاخیر کوتاه انجام دهد.
و آینده چیزهای بیشتری دارد. جنبه های بسیار بیشتری از فناوری عصبی وجود دارد که می تواند در برنامه های تشخیص حذف شود تا آنها را بهتر ، سریعتر و کارآمدتر کند. نقشه راه فناوری Innatera برای آینده مفهوم هیجان انگیز و سنسور را تغییر خواهد داد.
آیا محاسبه عصبی می تواند به حل عمر باتری و تغییرات محرمانه بودن ما در دستگاه های پوشیدنی و دستیاران صدا امروز کمک کند؟

قطعاً بیشتر دستگاه های سنتی به ابر یا پردازنده های اصلی به طور مداوم کار می کنند ، که عمر باتری را خالی می کند و با ارسال داده های دقیق از طریق اینترنت ، خطرات حریم خصوصی را دنبال می کند.
با این حال ، پردازش اطلاعات عصبی می تواند هوش را به صورت محلی در خود سنسور پردازش کند ، بنابراین داده ها نیازی به ترک دستگاه ندارند. فقط اطلاعات لازم منتقل می شود و اجزای قدرت بالاتر فقط در صورت لزوم از خواب بیدار می شوند.
این رویکرد مزایای قابل توجهی را ارائه می دهد: عمر باتری طولانی تر ، انتقال داده های بسیار کمتر و طبقه بندی صدا یا جریان داده های خام به ابر دیگر پذیرفته نمی شود.
ما چقدر نزدیک هستیم که تراشه های عصبی را در محصولات مصرفی مشاهده کنیم – و اکنون این فرزندخواندگی بزرگتر را به عقب نگه می دارد؟
ما در حال حاضر در آستانه اتخاذ جریان اصلی هستیم. Pulsar Innatera اولین میکروکنترلر نورومورفیک بازار انبوه در جهان است و در نظر گرفته شده است که هوشیاری مغز را به سمت مصرف کننده و محصولات صنعتی دنیای واقعی وارد کند. و اکنون در دسترس است.
بر خلاف راه حل های عصبی قبلی محدود به کاربردهای تحقیق یا طاقچه ، Pulsar به عنوان یک میکروکنترلر کاملاً برجسته بسته بندی می شود ، یک CPU RISC-V با یک موتور شبکه عصبی سنبله تکمیل می شود که باعث می شود برای ادغام با شتاب دهنده های ویژه و دستگاه های باتری جمع و جور عملی شود.

بنابراین ، نه فقط نظری ؛ شرکای پالسار ، رادار ، باند فوق الذکر (UWB) و قدرت فوق العاده با استفاده از فن آوری های تشخیص در فرآیند ادغام در محصولات نسل جدید ، همیشه بسیار مهم است. این همکاری ها تأکید می کنند که چگونه پردازش عصبی فراتر از آزمایشگاه است ، چگونه محصولات پوشیدنی ، محصولات پوشیدنی و اشیاء به بازارهای دنیای واقعی مانند اینترنت صنعتی (IOT) می روند.
از نظر تاریخی ، یکی از بزرگترین موانع اتخاذ عصبی این بود که پشتیبانی نرم افزار و توسعه دهنده در دسترس بوده است ، زیرا عدم وجود منحنی یادگیری عمودی و کمبود وسیله نقلیه کاهش یافته است.
Innatera ، با ادغام محلی Pytorch ، یک SDK Develople -دوستانه Talamo را حل کرده است و به مهندسان این امکان را می دهد تا با استفاده از گردش کار آشنا ، مدل های شبکه عصبی را ایجاد و توزیع کنند. عصبی به پزشک احتیاج ندارد.
هنگامی که اندازه مدل جمع و جور (به اندازه 5 کیلوبایت) و یکپارچه سازی ساده در معماری سنسور موجود ، این رویکرد به طور قابل توجهی سد ورودی را کاهش می دهد و زمان بازار محصولات حرکتی عصبی را تسریع می کند.
وقتی به پنج سال آینده نگاه می کنیم ، چیزی که فکر می کنید محاسبه عصبی امکان ساخت تراشه های سنتی را فراهم می کند؟
ما تازه شروع به ترسیم سطح توانایی های آنها کردیم. پردازش اطلاعات عصبی برای تطبیق نسل جدید و فعال کردن دستگاه های لبه خودمختار تنظیم شده است. سیستمهایی که تشخیص نمی دهند و پاسخ نمی دهند ، بلکه در هنگام کار روی باتری های کوچک نیز در زمان واقعی می آموزند ، می توانند کالیبراسیون و بهینه سازی کنند.
این تغییر ممکن است تعداد زیادی از برنامه های هیجان انگیز از دستگاه های پوشیدنی به سیستم های صنعتی را که پیش بینی می کند و از خرابی با حداقل استفاده از انرژی جلوگیری کرده و جلوگیری می کند ، باز کند.
دنبال کردن راهنمای تام در Google News در انتشارات خود برای به دست آوردن اخبار روزانه ما ، چگونه TOS و بررسی ها. حتماً روی دکمه ردیابی کلیک کنید.
بیشتر از راهنمای تام
بازگشت به لپ تاپ ها



