研究人員正在研究特定昆蟲(chóng)神經(jīng)系統(tǒng)的功能如何與確定性、概率、易失性和非易失性記憶的功能相似，并探索如何在高性能、節(jié)能、硅基納米人工智能系統(tǒng)中重現(xiàn)這些功能。

在 AI/ML 世界的某個(gè)角落，NVIDIA 盡最大努力說(shuō)服任何想涉足訓(xùn)練的人相信更多的原始力量就是答案。另一方面，CEA-Leti 最近宣布，Edge AI 項(xiàng)目協(xié)調(diào)員 Elisa Vianello 從歐洲研究委員會(huì) (ERC) 獲得了 300 萬(wàn)歐元的資助，用于開(kāi)發(fā)受昆蟲(chóng)神經(jīng)系統(tǒng)啟發(fā)的新邊緣 AI 系統(tǒng)。

根據(jù) Vianello 的說(shuō)法，將人工智能直接引入物聯(lián)網(wǎng)設(shè)備的最大挑戰(zhàn)之一是，目前的芯片架構(gòu)浪費(fèi)了高達(dá) 90% 的移動(dòng)數(shù)據(jù)而不是處理數(shù)據(jù)的總能耗。

由于這種浪費(fèi)，物聯(lián)網(wǎng)設(shè)備的 AI 功能要么受到阻礙，要么必須物理連接到穩(wěn)定的電源，這意味著它們不像許多組織所希望的那樣靈活。對(duì)于一個(gè)提議的應(yīng)用，即植入式醫(yī)療診斷微芯片來(lái)說(shuō)，情況是雙重的，這將在很大程度上依賴于用戶對(duì)設(shè)備可靠性的信任。

小型設(shè)備有什么問(wèn)題?沒(méi)有一種內(nèi)存是高密度、高分辨率、非易失性和無(wú)限持久的。 Vianello表示，許多工業(yè)實(shí)驗(yàn)室和研究中心已經(jīng)嘗試開(kāi)發(fā)納米級(jí)的內(nèi)存架構(gòu)，這些架構(gòu)使用內(nèi)存處理，但結(jié)果好壞參半。例如，DRAM 是易失性的，這意味著它的內(nèi)容會(huì)在斷電時(shí)被刪除——這在許多物聯(lián)網(wǎng)環(huán)境中都可能發(fā)生。多年來(lái)，NVRAM 等非易失性存儲(chǔ)器類型顯著提高了耐用性;他們?nèi)匀徊皇峭耆煽康摹?/p>

Vianello 和她的團(tuán)隊(duì)將利用贈(zèng)款資金研究特定昆蟲(chóng)神經(jīng)系統(tǒng)的功能如何類似于確定性、概率性、易失性和非易失性記憶所執(zhí)行的功能，然后探索如何在“高性能、能量-高效的硅基納米系統(tǒng)。” Vianello 說(shuō)：“蟋蟀會(huì)根據(jù)遲緩、不精確和不可靠的神經(jīng)元和突觸做出準(zhǔn)確的決定，以逃避捕食者。仔細(xì)觀察它們的生物學(xué)，我們發(fā)現(xiàn)了在它們的感覺(jué)和神經(jīng)系統(tǒng)中發(fā)揮作用的多種類似記憶的功能。通過(guò)結(jié)合這些不同的功能，蟋蟀的內(nèi)部計(jì)算系統(tǒng)實(shí)現(xiàn)了驚人的性能和能源效率。”

例如，蟋蟀身體上有多個(gè)傳感器，腹部有許多本地處理單元，能夠在不涉及中央大腦的情況下持續(xù)學(xué)習(xí)和決策。因?yàn)樗幸粋€(gè)分布式計(jì)算系統(tǒng)，它可以更快地做出決策——無(wú)需在處理數(shù)據(jù)之前將數(shù)據(jù)從一個(gè)地方傳輸?shù)搅硪粋€(gè)地方。

目標(biāo)是一種混合突觸，可以在一個(gè)小型的、物聯(lián)網(wǎng)友好的規(guī)模上集成多個(gè)內(nèi)存技術(shù)，這將有助于解決每個(gè)系統(tǒng)的缺陷，并消除至少一些在傳輸數(shù)據(jù)而不是使用人工智能處理數(shù)據(jù)時(shí)浪費(fèi)的能量/ML 算法。 Vianello 的團(tuán)隊(duì)希望獲取少量嘈雜的數(shù)據(jù)，例如攝像機(jī)、雷達(dá)或 ECG 設(shè)備捕獲的數(shù)據(jù)，并實(shí)現(xiàn)使用當(dāng)前物聯(lián)網(wǎng)計(jì)算架構(gòu)無(wú)法實(shí)現(xiàn)的學(xué)習(xí)類型。

由 Vianello 團(tuán)隊(duì)的任何新見(jiàn)解驅(qū)動(dòng)的新產(chǎn)品可能需要很多年的時(shí)間，并且在瞬息萬(wàn)變的物聯(lián)網(wǎng)世界中歡迎新的范式。隨著 46% 的組織加快采用 5G、多種可行的邊緣計(jì)算標(biāo)準(zhǔn)以及更多事件驅(qū)動(dòng)的架構(gòu)部署在邊緣，對(duì)更快、更高效和更微型物聯(lián)網(wǎng)的需求已經(jīng)出現(xiàn)。