V současnosti je umělá inteligence a strojové učení v zařízeních všude kolem nás, ale v drtivé většině případů se jedná o aplikace, které se přes internet napojují na cloudové řešení a využívají tak externího výpočetního výkonu pro zpracování dat. To samozřejmě znamená pomalejší odezvu.
V rámci lokálního zpracování se strojové učení a umělá inteligence řeší nejefektivněji pomocí grafických čipů, které jsou integrované i v nejlevnějších mobilních zařízeních. Vědci z MIT ale chtějí současné možnosti posunout dál a vyvinuli tak speciální neuronový procesor, který je ale pro použití simulace neuronových sítí mnohem efektivnější než mobilní grafické čipy, ale zároveň poskytuje dostatečně univerzální možnosti pro různé úlohy.
Zatím 168 jednoduchých jader s desetkrát vyšší efektivitou než u grafik
Nový druh neuronového čipu, který představili inženýři z MIT, je označován jako „Eyeriss“ a disponuje celkem 168 jádry, přičemž každé z nich má samostatnou malou paměť. Jednotlivá jádra mohou přímo komunikovat mezi nejbližšími okolními jádry, což je mnohem efektivnější, protože nemusí sdílet data přes hlavní paměť.
Při návrhu architektury, která vychází z konvoluční neuronové sítě, byla právě potřeba odstranit sdílení hlavní paměti a neustálé výměny dat s touto pamětí, jak tomu je u grafických čipů.
Standardní rozložení konvoluční neuronové sítě (CNN), Zdroj: Wikipedia
V rámci těchto jednotlivých jader, tak stačí ukládat lokálně pouze data, která se zpracovávají v daném uzlu neuronové sítě. Součástí čipu je i kompresní obvod, který zmenší objem dat při přenosu mezi jádry. Jednotlivé konfigurace zapojení sítí pro různé úlohy lze přizpůsobit a efektivně využít tak, aby byla nutnost přístupu do hlavní paměti minimalizována.
Výsledný výkon pro použití různých druhů neuronových sítí tak je mnohem vyšší, než při použití mobilního grafického čipu a celková efektivita výkonu a spotřeby je dle tvrzení až desetkrát lepší.
Lokální koprocesor simulující schopnosti mozku
Potřeba efektivnějšího zpracování dat pomocí lokálních neuronových sítí má mnoho důvodů. Kromě rychlosti zpracování a funkčnosti i bez připojeného internetu, je důležitou vlastností i soukromí. Data pro zpracování se neposílají do žádného cloudu a jsou zpracována přímo na zařízení. Tento trend se snaží razit například Apple, který už takový princip u některých jednodušších věcí používá se Siri.
Specializovaný neuronový čip, který lze z výroby přizpůsobit pro zpracování různých forem dat (obraz, zvuk, senzory) by tak mohl být takovou formou koprocesoru. Už dnes se na mobilních zařízení používají například specializované čipy pro efektivní zpracování hlasu nebo dat ze senzorů. V tomto případě by šlo o univerzálnější a výkonnější formu, která by mohla tyto věci z oblasti strojového učení a umělé inteligence dělat v rámci jednoho čipu.
Lidstvo vyvíjí různé výkonné umělé „mozky“
V tomto případě jde o malý efektivní čip, který má vzhledem k velikosti relativně vysoký výkon, ale nemůže se samozřejmě rovnat třeba lidskému mozku. Ve vývoji je ale několik druhů větších čipů, které už mají i větší cíle a zatím je lze vnímat hlavně jako desktopové či serverové čipy.
Mezi největšími projekty pro simulaci fungování mozku je například Human Brain Project, IBM SyNAPSE nebo Neurogrid a další. Každý z nich má trochu jiný cíl vzhledem k velikosti, architektuře a výkonu, ale jak můžeme vidět už u současných klasických čipů, řešení jedné architektury lze často škálovat oběma směry – jak pro mobilní použití, tak třeba i pro serverové.
TIP: Výpočetní výkon: od mozku až k superpočítačům
Je tak otázka, jaká nás v oblasti takových „mozků“ čeká nejbližší budoucnost. Každopádně s jednodušší architekturou specializovanou na vybrané úlohy, které je aktuálně potřeba řešit, se nejspíše dočkáme rychlejšího rozšíření a právě třeba Eyeriss může být nadějným řešením s brzkou implementací pro mobily, drony, roboty a podobná zařízení.
