模仿人脑的微芯片可以使人工智能更加新能源

算出机系统 (AI) 使片段游戏变得生动，并尽力手机定位主人的声音——但增幅大的流程不会大量耗用光能。然而，由于像感官一样实习的算出机晶片，下一代算出机系统的能源工作效率显然不会大幅提高 1000 倍。一项重最初研究工作表明，这种脑部构造晶片只须使用普通晶片耗用的一小大多光能即可试运行 AI 插值。

“这是一项令人眼中动人的实习，”曼彻斯特国立大学的算出机科学界凯特弗伯却说。他却说，这样的进步可以推动复杂软体性能的巨大飞跃，比如翻译语言或驾驶无人驾驶货车。

算出机系统流程上会擅长在图表集之中找到某些所须的方式上，而它所认真的最复杂的事情之一就是在将整个事物拼凑在三人时保持良好方式上的一大多。考虑算出机如何定位图象。首先，它不会推断出该图象的指明内侧。然后，它能够记住这些内侧——以及图象的所有在此之后大多——因为它构成了最后的图片。

这种网络平台的一个常见组件是一个称之为长短期知觉 (LSTM) 的软体单元，它在事物随时间变化时保持良好一个元素的知觉。例如，图象之中的垂直内侧须要延续在闪存之中，因为软体不会确定它是代表倍数“4”的一大多还是货车的门。迥然不同的 AI 系统能够同时数百个 LSTM 元素。

当前在传统算出机晶片上试运行的 LSTM 网络平台极其精准。但是晶片很耗电。为了指派资讯位，他们能够首先解析存储设备图表的各个位，对其进行操作，然后将它们发送终存储设备。然后一遍又一遍地反复这个序列。

超微、IBM 和其他晶片制造商之前在试验另一种晶片外观设计，称之为脑部构造晶片。这些指派资讯就像小脑之中的脑部纤维网络平台，其之中每个脑部纤维接收来自网络平台之中其他脑部纤维的匹配，并在总匹配少于值时诱发。最初晶片的外观设计目的是在网络平台之中将脑部纤维的技术的发展流程等效物连接在三人。算出机系统流程也依赖于人造脑部纤维网络平台，但在传统算出机之中，这些脑部纤维显然在软体之中定义，因此仅仅驻留在算出机的独立存储设备晶片之中。

脑部构造晶片之中的设置同时指派闪存和算出，使其变得低碳：我们的小脑只须要 20 瓦的功率，与低碳日光灯差不多。但要依靠这种架构，算出机科学界须要重最初发明人他们如何指派 LSTM 等功能。

这就是林茨科技国立大学的算出机科学界沃尔夫冈·德斯（Wolfgang Maass）承担的任务。他和他的室友试图在我们的小脑之中复制一种生物人工脑部网络平台指派的知觉存储设备有助，称之为超极化 (AHP) 电压。在小脑之中的脑部纤维诱发后，它上会不会留在到其曲率半径水平并保持良好静止，直到它最后接收到足够的匹配以少于其值。但在 AHP 网络平台之中，脑部纤维真空管一次后，不会暂时禁止最后真空管，这是一个仅仅有助脑部纤维网络平台在耗用极其极其少光能的同时延续资讯的死区。

德斯和他的室友将 AHP 脑部纤维真空管方式上自带到他们的脑部构工脑部网络平台软体之中，并通过两个标准的 AI 测试试运行他们的网络平台。第一个挑战是定位分解成数百个单独像素的图象之中的打字“3”。在这里，他们推断出当在超微的一种脑部构造 Loihi 晶片上试运行时，他们的插值比在传统晶片上试运行的基于 LSTM 的图象定位插值的能效平均 1000 倍。

德斯认为，第二次测试是在一系列 22 个超微第一代 Loihi 晶片上完毕的，这些晶片在相互通信时耗用了相对大量的光能。此后，该子公司上架了第二代 Loihi 晶片，每个晶片都有极其多的脑部纤维，他却说这应该不会减极其少对晶片间通信的须求，从而使软体极其有效地试运行。

现有，市面上基本上不能脑部构造晶片。因此，大规模技术的发展显然不不会很快出现。但史考特研究工作所的算出脑部科学界安东·阿尔希波夫（Anton Arkhipov）表示，高级 AI 插值，例如德斯所展示出的那些，可以尽力这些晶片获得零售业早先。“至极其少，这将有助加速算出机系统系统。”

反过来，这显然不会带来重最初技术的发展，例如算出机系统倍数助理，它不仅可以用录像之中的读法指引某人，还可以警惕他们在哪里碰面并叙述他们只不过的童话故事。通过在小脑之中整合其他脑部纤维真空管方式上，德斯表示，未来的脑部构造装置甚至显然遇见不会开始探索多种脑部纤维真空管方式上如何协同实习以产生认知。