Специализированное компьютерное оборудование часто используется для более быстрого и с меньшими затратами энергии выполнения программ искусственного интеллекта (ИИ), например машины Lisp , нейроморфная инженерия , камеры событий и физические нейронные сети . По состоянию на 2023 год на рынке оборудования для искусственного интеллекта будут доминировать графические процессоры . [1]
Машины Lisp были разработаны в конце 1970-х и начале 1980-х годов, чтобы ускорить работу программ искусственного интеллекта, написанных на языке программирования Lisp .
Процессоры архитектуры потока данных , используемые для ИИ, служат различным целям и имеют различные реализации, такие как полиморфный поток данных [2] Convolution Engine [3] от Kinara (ранее Deep Vision), поток данных на основе структуры от Hailo [ 4] и планирование потока данных от Cerebras . [5]
С 2010-х годов достижения в области компьютерного оборудования привели к появлению более эффективных методов обучения глубоких нейронных сетей, которые содержат множество слоев нелинейных скрытых модулей и очень большой выходной слой. [6] К 2019 году графические процессоры (GPU), часто с улучшениями, специфичными для ИИ, вытеснили центральные процессоры (ЦП) в качестве доминирующего средства обучения крупномасштабного коммерческого облачного ИИ. [7] OpenAI оценила аппаратные вычисления, используемые в крупнейших проектах глубокого обучения, от Alex Net (2012) до Alpha Zero (2017), и обнаружила 300 000-кратное увеличение объема необходимых вычислений с тенденцией удвоения времени 3,4. месяцы. [8] [9]
Каждая компьютерная система построена на центральных процессорах (ЦП). Они выполняют обязанности, выполняют вычисления и выполняют приказы. Даже если специализированное оборудование более эффективно справляется с деятельностью ИИ, процессоры по-прежнему необходимы для управления общими вычислительными задачами в системах ИИ.
ИИ претерпел драматические изменения в результате появления графических процессоров (GPU). Они идеально подходят для задач ИИ, требующих обработки огромных объемов данных и сложных математических операций, благодаря их параллельной конструкции, которая позволяет им выполнять несколько вычислений одновременно. [10]
С целью ускорения и оптимизации рабочих нагрузок машинного обучения Google создал тензорные процессоры (TPU). Они созданы для того, чтобы хорошо справляться как с процедурами вывода, так и с тренировками, а также хорошо работать при использовании с задачами нейронной сети.
Программируемые пользователем вентильные матрицы (FPGA) представляют собой чрезвычайно адаптируемые аппаратные средства, которые можно настроить для выполнения определенных функций. Они подходят для различных приложений искусственного интеллекта благодаря своей универсальности, включая распознавание изображений в реальном времени и обработку естественного языка.
Чтобы хранить и извлекать данные, необходимые для обработки, ИИ требует эффективных систем памяти. Чтобы избежать узких мест в доступе к данным, решающее значение имеют быстрое подключение и большой объем памяти.
Приложения искусственного интеллекта генерируют и используют огромные объемы данных. Высокоскоростные накопители, такие как твердотельные накопители и накопители NVMe, обеспечивают быстрое извлечение данных, улучшая общую функциональность системы искусственного интеллекта.
Хотя квантовые вычисления все еще находятся на ранней стадии, они обладают огромным потенциалом для искусственного интеллекта. Способность кубитов , часто называемых квантовыми битами, обрабатывать множество состояний одновременно потенциально может произвести революцию в задачах ИИ, требующих сложного моделирования и оптимизации.
Edge AI относится к операциям искусственного интеллекта (ИИ), которые выполняются локально на устройстве, сводя на нет необходимость постоянного доступа к Интернету. Технология Edge AI, включающая специализированные чипы и процессоры, обеспечивает немедленный прогресс в решении таких задач, как распознавание речи и идентификация объектов на смартфонах и гаджетах Интернета вещей (IoT).
Системы искусственного интеллекта часто полагаются на данные из нескольких источников. Эффективность обмена данными зависит от быстродействующих и надежных сетевых возможностей. Высокоскоростная передача данных позволяет принимать решения в режиме реального времени и обеспечивает безупречную связь между компонентами искусственного интеллекта.