211service.com
Ett AI-chip som hjälper datorer att förstå bilder
En kraftfull strategi för artificiell intelligens kan komma till smartphones.
Forskare från Purdue University arbetar med att kommersialisera design för ett chip för att hjälpa mobila processorer att använda AI-metoden som kallas djupinlärning. Även om kraften i djupinlärning har inspirerat företag inklusive Google, Facebook och Baidu att investera i tekniken, har den hittills varit begränsad till stora kluster av kraftfulla datorer. När Google utvecklade programvara som lärde sig känna igen katter från YouTube-videor krävde experimentet 16 000 processorer (se självlärd programvara ).
Att kunna implementera djupinlärning på mer kompakta och energieffektiva sätt kan leda till smartphones och andra mobila enheter som kan förstå innehållet i bilder och video, säger Eugenio Culurciello , en professor vid Purdue som arbetar med projektet. I december, kl Neural Information Processing Systems konferens i Nevada visade gruppen att en co-processor kopplad till en konventionell smartphone-processor kunde hjälpa den att köra mjukvara för djupinlärning. Programvaran kunde upptäcka ansikten eller märka delar av en gatubild. Co-processorns design testades på en FPGA, ett omkonfigurerbart chip som kan programmeras för att testa en ny hårdvarudesign utan den avsevärda kostnaden för att tillverka ett helt nytt chip.
Prototypen är mycket mindre kraftfull än system som Googles kattdetektor, men den visar hur nya former av hårdvara kan göra det möjligt att använda kraften i djupinlärning mer allmänt. Det finns ett behov av det här, säger Culurciello. Du har förmodligen en samling på flera tusen bilder som du aldrig tittar på igen, och vi har ingen bra teknik för att analysera allt detta innehåll.
Enheter som Google Glass skulle också kunna dra nytta av förmågan att förstå de rikliga bilder och videor de tar, säger han. En persons bilder och videor kan vara sökbara med text – till exempel röd bil eller solig dag med mamma. På samma sätt kan nya appar utvecklas som vidtar åtgärder när de känner igen särskilda personer, föremål eller scener.
Programvara för djupinlärning fungerar genom att filtrera data genom ett hierarkiskt, flerskiktigt nätverk av simulerade neuroner som är individuellt enkla men kan uppvisa komplext beteende när de länkas samman (se Deep Learning ). Datorer är ineffektiva på att köra dessa nätverk eftersom de skiljer sig mycket från konventionell programvara.
Purdues co-processor design är specialiserad på att köra flerskiktiga neurala nätverk framför allt och för att få dem att arbeta med strömmande bilder. I tester har prototypen visat sig ungefär 15 gånger så effektiv som att använda en grafikprocessor för samma uppgift, och Culurciello tror att förbättringar av systemet skulle kunna göra det 10 gånger effektivare än det är nu.
Narayan Srinivasa , chef för centret för neurala och framväxande system vid HRL Laboratories, ett forskningslabb som ägs gemensamt av Boeing och General Motors, säger att det är vettigt att använda en medprocessor för att hjälpa till att implementera nätverk för djupinlärning mer effektivt. Det beror på att i konventionella datorer finns en processor och dess minne i separata bitar av hårdvara. Däremot är operationerna i neurala nätverk i djupinlärningsstil och de verkliga neurala nätverken inspirerade av sammanflätade minne och bearbetning. Narayans egen forskning fokuserar på att ta itu med det problemet med en mer extrem lösning – att designa chip med kiselneuroner och synapser som efterliknar verkliga hjärnor (se Thinking in Silicon).
Purdue-gruppens lösning representerar inte en så grundläggande omtanke om hur datorchips fungerar. Det kan begränsa hur effektivt deras design kan driva neurala nätverk för djupinlärning men också göra det lättare att få dem att användas i verkligheten. Culurciello har redan startat ett företag som heter TeraDeep , för att kommersialisera hans design.
Tanken är att vi säljer IP för att implementera detta så att en stor tillverkare som Qualcomm eller Samsung eller Apple kan lägga till den här funktionen till sin processor så att de kan bearbeta bilder, säger Culurciello. Yann LeCun , en pionjär inom djupinlärning vid New York University som nyligen startade leder Facebooks forskning inom området , är rådgivare till företaget.