211service.com
Chip AI pomagający komputerom zrozumieć obrazy
W smartfonach może pojawić się potężne podejście do sztucznej inteligencji.
Naukowcy z Purdue University pracują nad komercjalizacją projektów chipów, aby pomóc procesorom mobilnym w wykorzystaniu metody sztucznej inteligencji znanej jako głębokie uczenie. Chociaż siła głębokiego uczenia zainspirowała firmy, w tym Google, Facebook i Baidu, do inwestowania w tę technologię, do tej pory ograniczało się to do dużych klastrów komputerów o dużej mocy. Kiedy Google opracowało oprogramowanie, które nauczyło się rozpoznawać koty z filmów na YouTube, eksperyment wymagał 16 000 procesorów (patrz Oprogramowanie samouków).
Możliwość wdrożenia głębokiego uczenia się w bardziej kompaktowy i energooszczędny sposób może doprowadzić do smartfonów i innych urządzeń mobilnych, które będą rozumieć zawartość obrazów i wideo, mówi Eugenio Culurciello , profesor w Purdue pracujący nad projektem. W grudniu o godz Konferencja Neuronowe Systemy Przetwarzania Informacji w Nevadzie grupa wykazała, że koprocesor podłączony do konwencjonalnego procesora smartfona może pomóc w uruchamianiu oprogramowania do głębokiego uczenia się. Oprogramowanie było w stanie wykryć twarze lub oznaczyć fragmenty sceny ulicznej. Projekt koprocesora został przetestowany na FPGA, rekonfigurowalnym chipie, który można zaprogramować do testowania nowego projektu sprzętowego bez znacznych kosztów produkcji zupełnie nowego chipa.
Prototyp jest znacznie mniej wydajny niż systemy takie jak wykrywacz kotów Google, ale pokazuje, jak nowe formy sprzętu mogą umożliwić szersze wykorzystanie mocy głębokiego uczenia. Jest taka potrzeba, mówi Culurciello. Prawdopodobnie masz kolekcję kilku tysięcy obrazów, na które nigdy więcej nie spojrzysz, a my nie mamy dobrej technologii do analizowania całej tej zawartości.
Urządzenia takie jak Google Glass mogą również skorzystać z możliwości zrozumienia dużej ilości zdjęć i filmów, które rejestrują, mówi. Obrazy i filmy danej osoby można przeszukiwać za pomocą tekstu — na przykład czerwony samochód lub słoneczny dzień z mamą. Podobnie można opracować nowatorskie aplikacje, które podejmują działania, gdy rozpoznają określone osoby, obiekty lub sceny.
Oprogramowanie do głębokiego uczenia działa poprzez filtrowanie danych przez hierarchiczną, wielowarstwową sieć symulowanych neuronów, które są indywidualnie proste, ale mogą wykazywać złożone zachowanie, gdy są ze sobą połączone (patrz Głębokie uczenie ). Komputery są nieefektywne w obsłudze tych sieci, ponieważ bardzo różnią się od konwencjonalnego oprogramowania.
Projekt koprocesora Purdue specjalizuje się przede wszystkim w obsłudze wielowarstwowych sieci neuronowych i wykorzystywaniu ich do pracy nad strumieniowym przesyłaniem obrazów. W testach prototyp okazał się około 15 razy bardziej wydajny niż użycie procesora graficznego do tego samego zadania, a Culurciello uważa, że ulepszenia systemu mogą sprawić, że będzie on 10 razy bardziej wydajny niż obecnie.
Narayan Srinivasa , dyrektor centrum systemów neuronowych i systemów wschodzących w HRL Laboratories, laboratorium badawczego współwłasności Boeinga i General Motors, mówi, że sensowne jest użycie koprocesora, aby skuteczniej wdrażać sieci uczenia głębokiego. Dzieje się tak, ponieważ w konwencjonalnych komputerach procesor i jego pamięć znajdują się w oddzielnych częściach sprzętu. W przeciwieństwie do tego, operacje sieci neuronowych w stylu głębokiego uczenia się i rzeczywistych sieci neuronowych są inspirowane przez splatanie się pamięci i przetwarzania. Własne badania Narayana skupiają się na rozwiązaniu tego problemu za pomocą bardziej ekstremalnego rozwiązania – zaprojektowania chipów z krzemowymi neuronami i synapsami, które naśladują te występujące w prawdziwym mózgu (patrz Thinking in Silicon).
Rozwiązanie grupy Purdue nie reprezentuje tak fundamentalnego przemyślenia sposobu działania chipów komputerowych. Może to ograniczyć efektywność, z jaką ich projekty mogą obsługiwać sieci neuronowe głębokiego uczenia się, ale także ułatwić ich wykorzystanie w świecie rzeczywistym. Culurciello założył już firmę o nazwie TeraDeep , aby skomercjalizować jego projekty.
Pomysł polega na tym, że sprzedajemy IP, aby to wdrożyć, aby duży producent, taki jak Qualcomm, Samsung lub Apple, mógł dodać tę funkcję do swojego procesora, aby mógł przetwarzać obrazy, mówi Culurciello. Yann LeCun , pionier głębokiego uczenia się na Uniwersytecie Nowojorskim, który niedawno rozpoczął prowadzenie badań Facebooka w tym obszarze , jest doradcą firmy.