Что такое нейроморфный компьютер
Нейроморфный процессор Intel Loihi. Что это и как это работает?
Представьте себе будущее, где сложные решения могут приниматься быстрее и адаптироваться со временем. Где социальные и индустриальные проблемы могут автоматически решаться, используя полученный ранее опыт. Это будущее, где свидетели, используя приложения распознания изображений, могут проанализировать снимки с уличных камер и быстро передавать данный для поиска пропавшего или похищенного человека. Это будущее, где светофоры автоматически синхронизируют свою работу с потоком транспорта, уменьшая заторы и оптимизируя время старта и остановки. Это будущее, где роботы более автономны, а эффективность работы значительно выше.
Данные высказывания принадлежат доктору Майклу Мэйбери (корпоративный вице-президент и управляющий директор Intel Labs в Intel Corporation), который поделился с общественностью деталями нового творения Intel Labs — нейроморфного чипа Loihi.
Растущий спрос на сбор, анализ данных и принятие решений в области высокодинамических и неструктурированных природных данных приводит к росту спроса на компьютеры, которые опережают классические CPU и GPU архитектуры. Дабы поспевать за темпом эволюции технологий и дабы вывести сами вычисления за пределы ПК или сервера, Intel работал последние 6 лет над специализированными архитектурами, которые могут ускорить классические компьютерные платформы. Intel также увеличил объем инвестиций в области ИИ (искусственный интеллект) и нейроморфных вычислений.
Доктор Майкл Мэйбери (корпоративный вице-президент и управляющий директор Intel Labs в Intel Corporation)
Наша работа в области нейроморфных вычислений построена на десятилетиях исследований и партнерства, начиная с профессора CalTech Карвер Мида (Carver Mead), который был известен за свою фундаментальную работу в проектировании полупроводников. Комбинация опыта в микросхемах, физике и биологии создала условия для новых идей. Идеи были просты, но революционны: сравнить машины с человеческим мозгом. Высокий уровень сотрудничества разных структур и людей в данной область исследований способствует дальнейшему развитию науки.
Компания Intel, в лице своего подразделения Intel Labs, разработала первый в своем роде самообучающийся нейроморфный чип — Loihi — который имитирует функционирование мозга в процессе обучения работы на основе влияния окружающей среды. Этот невероятно энергоэффективный чип, который использует данные для обучения и формирования выводов, становится умнее со временем и не нуждается в тренировке традиционным путем. Он использует новый подход к вычислению через асинхронный пикинг.
Мы считаем, что ИИ находится в зачаточном состоянии, и больше методов и архитектур, таких как Loihi, будут сопутствовать его развитию. Нейроморфные вычисления черпают вдохновение из нашего нынешнего понимания архитектуры мозга и связанных с ним вычислений. Нейронные сети мозга передают информацию с помощью импульсов или пиков, модулируя синаптические связи на основе тайминга этих пиков, и хранят эти изменения локально на межсоединениях. Интеллектуальное поведение формируется за счет кооперативного и сопернического взаимодействия между окружающей средой и несколькими регионами в нейронных сетях мозга.
Модели машинного обучения, такие как глубокое обучение, достигли значительных успехов за счет использования обширных учебных наборов для распознания объектов и событий. Однако эти системы машинного обучения не так хороши, если не имеют учебных наборов для распознания определенного события, происшествия или элемента.
Потенциальная польза от самообучающегося чипа практически безгранична. К примеру, считывание пульса человека в разных условиях (после бега, во время приема пищи, перед сном) и передача этих данных в нейроморфную систему для определения «нормального» сердцебиения. Далее система может постоянно мониторить полученные данные пульса и определять те случаи, когда пульс не есть «нормальный». Система может быть персонализирована под каждого пользователя.
Этот тип логики может также применятся и в других сферах, таких как кибербезопасность, где аномалии или отличия в потоках данных могут идентифицировать взлом, поскольку система знает какие показатели являются «нормальными» (правильными).
Подробнее о тестовом чипе Loihi
Исследовательский тестовый чип Loihi обладает цифровыми схемами, которые имитируют основную механику мозга, делая машинное обучение более быстрым и эффективным, при этом требуя меньших вычислительных мощностей. Нейроморфная модель черпает вдохновение из того, как нейроны взаимодействуют и учатся, используя пики и синоптическую пластичность, которые могут быть смоделированы на основе тайминга. Это может помочь компьютерам саморганизоваться и принимать решения на основе шаблонов и ассоциаций.
Тестовый вариант чипа Loihi представляет высокую гибкость обучения в пределах самого чипа. Это позволяет машинам быть автономными и адаптироваться в реальном времени, вместо ожидания следующего апдейта из облака. Исследователи продемонстрировали обучение со скоростью в 1 миллион раз превышающей скорость типичных пиковых нейронных сетей (при измерении общих операций) во время процесса получение как можно более точного результата в решении задачи распознавания цифр MNIST (объёмная база данных образцов рукописного написания цифр). В сравнении с другими технологиями, такими как свёрточные нейронные сети и нейронные сети глубокого обучения, тестовый чип Loihi использовал гораздо меньше ресурсов для решения тех же задач.
Возможности самообучения, раскрытые этим тестовым чипом, имеют огромный потенциал в совершенствовании автоматизированных и индустриальных приложений, как и персональной робототехники — любое приложение, которое извлечет пользу из автоматизированных операций и непрерывного обучения в неструктурированной среде. К примеру, распознание движения машины или велосипеда.
Кроме того, этот метод в 1000 раз более энергоэффективен чем стандартные методы для компьютерного обучения.
В первой половине 2018 года тестовый чип Loihi будет распространен среди передовых университетов и исследовательских институтов (работающих в сфере развития ИИ).
Функции Loihi включают в себя:
Ожидается, что благодаря развитию в области вычислительных и алгоритмических инноваций преобразующая сила ИИ сильно повлияет на общество. Сегодня мы в Intel всеми силами стараемся оправдывать закон Мура и держать лидерство в производстве, чтобы представить на рынке широкий спектр продуктов — процессоры Intel Xeon, технологию Intel Nervana, технологию Intel Movidius и Intel FPGA, — которые удовлетворяют уникальные требования ИИ процессов.
Аппаратное и программное обеспечение, как общего, так и персонального назначения сейчас вступают в игру по полной программе. К примеру, процессор Intel Xeon Phi широко используется в мире для научных вычислений, он создал некоторые из самых крупных моделей интерпретации крупномасштабных научных проблем. Movidius Neural Compute Stick — яркий пример 1 ватт развертывания ранее обученных моделей.
Рабочие нагрузки ИИ развиваются, становясь все более сложными и разнообразными. Они будут испытывать пределы возможностей сегодняшних доминирующих вычислительных архитектур и ускорять новые нестандартные подходы. Глядя в будущее, Intel считает, что нейроморфные вычисления дают возможность обеспечить производительность уровня exascale, вдохновленной тем, как работает мозг.
Я надеюсь, вы будете следить за захватывающими событиями, которые произойдут в Intel Labs в следующие несколько месяцев, когда мы распространим такую концепцию как нейромофные вычисляя с целью поддержки мировой экономики на следующие 50 лет. В будущем с нейроморфными вычислениями, все что вы можете вообразить и даже больше перейдет от возможного к реальному, поскольку поток интеллекта и принятия решений становится все более быстрым.
Видение Intel касательно разработки инновационных вычислительных архитектур остается непоколебимым, и мы знаем, как выглядит будущее вычислений, потому что сегодня мы его создаем.
«Нейроморфные чипы»: иной взгляд на машинное обучение
Современные компьютеры, которыми пользуется большинство из нас, созданы на основании так называемой архитектуры фон Неймана. Этот метод хорошо подходит для решения уравнений и запуска различных алгоритмов, но не для обработки изображений или звука. И хотя в 2012 году Google научили искусственный интеллект различать кошек на видео, для этого компании потребовалось 16 тыс. процессоров.
Поэтому человечество работает над изобретением новых архитектур, которые бы позволили машинам более эффективно взаимодействовать с окружением. Одним из таких решений стали нейроморфные чипы, о которых мы хотим рассказать в сегодняшнем материале.
Нейроморфные чипы моделируют то, как наш мозг обрабатывает информацию — как миллиарды нейронов и триллионы синапсов реагируют на сигналы от органов чувств. Связи между нейронами также постоянно меняются, реагируя на изображения, звуки и др. Этот процесс мы с вами называем обучением. Идея состоит в том, чтобы заставить чипы делать то же самое.
Даже если нейроморфные чипы будут уступать в «производительности» реальному мозгу, они все равно обгонят современные компьютеры в вопросах обучения и обработки сенсорной информации.
Когнитивные разработки
Сама идея нейроморфных чипов достаточно стара. Профессор Калифорнийского университета Карвер Мид (Carver Mead) ввел этот термин в 1990 году, отметив, что аналоговые чипы, в отличие от бинарных, смогут имитировать мозговую активность, но воплотить идею в жизнь и создать такой чип ему не удалось. Однако сегодня сразу несколько компаний активно занимаются воплощением этой архитектуры в кремнии.
Сравнение обычной архитектуры с нейроморфной (Источник)
В 2008 году по заказу организации DARPA компания IBM Research начала работу над нейроморфным чипом. И через 6 лет, в 2014 году, ученые представили публике систему TrueNorth, состоящую из 1 млн цифровых нейронов и 256 млн синапсов, заключенных в 4096 синапсных ядер.
TrueNorth — это модульная система, которая состоит из нескольких чипов, представляющих собой нейроны мозга. Соединяя такие чипы между собой, ученые формируют искусственную нейронную сеть. По словам представителей компании, TrueNorth потребляет меньше электроэнергии, чем его «классические» собратья.
Нейрочип с 5,4 млрд транзисторов потребляет 70 мВт энергии, в то время как процессор Intel, в котором транзисторов почти в 4 раза меньше, требует порядка 140 Вт. В планах ученых еще сильнее снизить энергопотребление и размеры последующих версий TrueNorth, чтобы они могли найти применение в мобильных устройствах или часах.
В IBM рассчитывают, что TrueNorth станет новой вехой в развитии компьютерных технологий и будет использоваться высокопроизводительными системами, например в дата-центрах.
Интересно, что для работы с нейромфорными чипами компанией был создан новый язык программирования. В основе языка лежит так называемая концепция корлетов (Corelet) — объектно-ориентированных абстракций нейросинаптических ядер. В программной архитектуре каждый корлет имеет 256 вводов (аксонов) и 256 выводов (нейронов), которые связывают все ядра друг с другом.
«Взаимодействие процессора и памяти в традиционной архитектуре происходит последовательно, — говорит ведущий исследователь проекта SyNAPSE Дхармендра С. Модха. — Наша архитектура — это комплект кубиков LEGO. Каждый корлет имеет различные функции, и вы просто комбинируете их». Например, такая система может использоваться для поиска людей в толпе. Один корлет может искать определенную форму носа, другой — цвет одежды и так далее.
Но IBM не единственная компания, которая занимается подобными разработками. Среди потенциальных участников рынка числятся такие гиганты, как Google и, что немаловажно, Qualcomm.
Не так давно Qualcomm провели в своей штаб-квартире в Сан-Диего презентацию возможностей нового нейроморфного чипа. Небольшой робот размером с мопса под названием Pioneer подъехал к детской игрушке, а затем начал толкать её в сторону трех невысоких колонн.
Ведущий инженер Qualcomm Иль У Чанг (Ilwoo Chang) указал обеими руками, куда следует разместить фигурку, и Pioneer, распознав жест с помощью встроенной камеры, выполнил задачу. После чего он отправился за другой игрушкой и привез её к той же самой колонне безо всяких подсказок.
Робот оказался способен выполнять задачи, для которых, обычно, нужны мощные специализированные компьютеры. Pioneer уже умеет распознавать новые объекты и расставлять их по сходству с другими предметами, реагируя на команды-жесты.
В компании Qualcomm отмечают, что нейроморфный чип, который управляет роботом, является цифровым, а не аналоговым, однако по-прежнему эмулирует различные аспекты поведения человеческого мозга. Создатели заявили, что их процессор, размещенный в мобильных устройствах, компьютерах и роботах позволит машинам самообучаться.
Проект получил название Zeroth и, по словам представителей компании, первые подобные чипы должны были появиться в продаже в 2014 году, но этого не произошло. Однако в 2015 году компания все же представила одноименную вычислительную платформу.
Новое машинное обучение, но не сегодня
Как было отмечено выше, подобные чипы позволят нашим привычным устройствам самообучаться. Например, медицинские гаджеты научатся распознавать жизненно важные показатели, чтобы превентивно влиять на состояние пациентов. Смартфоны же научатся предсказывать желания своих владельцев.
Однако пока еще остаются определенные препятствия, которые предстоит преодолеть. Все еще не решена проблема компоновки нейронов — сложно сопоставить размеры «мозга» с его возможностями. Трудности возникают на всех этапах — сборка, доставка мощности, теплоотвод, управление топологией.
Еще один блок трудностей связывают с абстрактной натурой нейровычислений. Насколько близкую копию нашего мозга необходимо создать, чтобы решить желаемые задачи? И как такие чипы будут взаимодействовать с классической вычислительной техникой?
Практически все проекты сейчас проходят тестирование, и до их использования в смартфонах и часах пока еще далеко. И как ученые справятся с трудностями, покажет только время.
Нейроморфные системы: компьютеры, вдохновлённые устройством человеческого мозга
Рассказываем, кто и почему ими занимается.
Что такое нейроморфный чип
Это — процессор, работа которого основана на принципах действия человеческого мозга. Такие устройства моделируют работу нейронов и их отростков — аксонов и дендритов — отвечающих за передачу и восприятие данных. Связи между нейронами образуются за счет синапсов — специальных контактов, по которым транслируются электрические сигналы.
Одна из задач нейроморфных устройств — ускорить обучение сверточных нейронных сетей для распознавания изображений. Системам искусственного интеллекта на базе этой технологии не нужно обращаться к массивному хранилищу с тренировочными данными по сети — вся информация постоянно содержится в искусственных нейронах. Такой подход дает возможность реализовывать алгоритмы машинного обучения локально. Поэтому ожидается, что нейроморфные чипы найдут применение в мобильных устройствах, IoT-гаджетах, а также дата-центрах.
Почему инженеры вдохновляются человеческим мозгом
Инженеры, занимающиеся разработкой нейроморфных чипов (подробнее о них мы поговорим далее), в первую очередь отмечают высокие вычислительные способности человеческого мозга.
По данным ряда исследований, наш мозг обладает потенциальной производительностью в один эксафлопс. Традиционные суперкомпьютеры такой вычислительной мощности пока только разрабатываются — первые машины ожидают не раньше 2021 года.
При этом мозг обладает крайне высокой энергоэффективностью, что является вторым важным фактором для тех, кто занимается разработкой нейроморфных систем.
/ фото jesse orrico Unsplash
Конечно, искусственные системы обладают существенными ограничениями. Нейронные сети отличаются от биологических аналогов неспособностью «запомнить» прошлые навыки при обучении новой задаче. Алгоритм, натренированный на распознавание собак, не сможет различать людей. Но эксперты из этой сферы надеются, что нейроморфные чипы откроют новые возможности для обучения «многозадачных» нейронных сетей и решат подобные проблемы.
Первые нейроморфные чипы
Первые попытки создать искусственные нейроны предпринимались еще в 60-х годах прошлого века. Тогда один из будущих изобретателей микропроцессора Тэд Хофф (Ted Hoff) вместе с профессором из Стэнфорда Бернардом Уидроу (Bernard Widrow) создали одноуровневую нейросеть на основе мемисторов — электрохимических резисторов с функцией памяти. Считается, что эта разработка положила начало нейроморфной инженерии.
В 80-х годах инженер Карвер Мид (Carver Mead) предложил использовать транзисторы в качестве аналоговых компонентов, а не цифровых переключателей. В 90-х команда во главе с Мидом представила искусственный синапс, способный хранить информацию продолжительное время, и нейроморфный процессор на основе транзисторов с плавающим затвором.
В то же время американский президент Джордж Буш-старший объявил о начале «Десятилетия мозга» и призвал спонсировать программы, направленные на изучение этого органа. Все это дало толчок к развитию нейроинформатики и вычислительной нейробиологии и привело к созданию инфраструктуры для дальнейшего изучения темы.
За последние десять лет знания человечества о работе мозга достигли новых высот. С 2013 года Швейцария занимается развитием проекта Human Brain Project (HBP). В том же году Америка запустила программу BRAIN Initiative. Эти инициативы оказали серьезное влияние на сферу систем искусственного интеллекта и привели к появлению новых нейроморфных технологий.
Что разрабатывают сегодня
Сегодня над созданием нейрочипов работают в IBM. Еще в 2008 году инженеры компании при поддержке DARPA приняли участие в программе SyNAPSE, в рамках которой разрабатывались компьютерные архитектуры, отличные от фон Неймановских. За три года IBM удалось разработать ядро с 256 искусственными нейронами (у каждого из них были 256 синапсов). Еще через три года компания представила процессор TrueNorth, состоящий из 4096 таких ядер — это более миллиона нейронов. И его уже применяют в задачах распознавания жестов и речи. Разработчики компании заявляют, что вычислительные системы на основе TrueNorth смогут успешно смоделировать работу мозга кошки. Однако ряд экспертов считает такие заявления явным преувеличением.
Еще одна крупная ИТ-компания, занимающаяся разработкой нейроморфных вычислительный систем, — это Intel. В прошлом году они представили чип Loihi. В его составе имеются 128 нейроморфных ядер, каждое из которых симулирует 1024 нейрона. Программировать процессор можно с помощью API, написанного на Python. Первые экземпляры этих устройств уже отправили в дата-центры нескольких ведущих университетов для проведения тестов на реальных задачах.
К слову об университетах, над нейроморфными чипами работают и инженеры из Манчестерского вуза. В прошлом году они представили архитектуру SpiNNaker, состоящую из миллиона ядер, способных эмулировать работу ста миллионов нейронов. Потребляет такая установка 100 кВт. Программировать компьютер можно с помощью языка PyNN. На сегодняшний день машина используется для симуляции процессов, происходящих в мышином мозге.
Несмотря на прогресс последних лет, можно сказать, что нейроморфное железо находится на ранних этапах своего развития. Задачи, которые ставят перед системами ИИ на его основе в основном ограничиваются распознаванием объектов. Тем не менее представители ИТ-индустрии убеждены, что в будущем нейроморфное аппаратное обеспечение позволит проводить полноценные симуляции и откроет совершенно новые вычислительные возможности.
Нейроморфные чипы: немного истории, существующие системы и возможности технологии
Немного истории
20 лет спустя, в 80-х годах прошлого века Карвер Мид стал использовать транзисторы в качестве аналоговых элементов. Изучение возможностей этого метода продолжалось несколько лет, а в 90-х уже целая команда под руководством этого ученого рассказала об искусственном синапсе, который способен хранить данные продолжительное время, плюс нейроморфный процессор. Его основой стали транзисторы с плавающим затвором.
В США также объявили начало программы по изучению мозга человека, так что правительство и коммерческие компании стали вкладывать деньги в собственные программы такого типа.
Правда, некоторые компании, включая Intel Labs, используют алгоритмы, которые относительно точно имитируют работу биологического мозга. Но это все же не то, что может хотя бы с допущениями считаться чем-то близким к сильной форме ИИ.
А в чем отличие нейромфорфных чипов от обычных?
Нейромфорфные чипы, понятно, создаются на основе уже существующих технологий, речь о полупроводниковых системах, а не о каких-то наполовину биологических устройствах. Нет, чипы базируются на основе обычных транзисторов, но архитектура в этом случае иная. В нейроморфных чипах роль нейронов играют транзисторы. Есть здесь и аналог аксонов, сигналы с которых могут поступать на вход других элементов, изменяя их состояние.
В подавляющем большинстве случаев «искусственные нейроны» объединяются между собой по модели спайковых) сетей (Spiking neural network, SNN). В ходе работы SNN передают сигналы аналогично тому, как они передаются в мозге. При этом реализуются процессы обучения с перераспределением синапсов между нейронами в ответ на стимулы.
SNN оперативно обучаются разным задачам, включая распознавание запахов, детекция речи или идентификация изображений. Все это можно объединить в единый комплекс, и работа будет вестись одновременно. Стоит отметить, что пока что нейромфорные чипы моделируют отдельные функции мозга, создать сколь-нибудь сложную систему, которая копировала бы значительную часть мозга, не говоря уже о всем органе в целом, пока невозможно.
Примеры проектов
В 2008 году корпорация IBM и DARPA занялись реализацией программы SyNAPSE, в рамках которой разрабатывались компьютерные архитектуры, отличные от фон Неймановских. IBM создала ядро с 256 нейронами и 256 синапсами. Спустя несколько лет был представлен чип TrueNorth с 4096 ядер (это свыше 1 млн нейронов). Чип стали использовать в распознавании жестов и речи.
Еще одну систему разработали ученые из Национального университета Сингапура (NUS). Они создали роботизированную руку с искусственной кожей и датчиками зрения, оснастив ее нейроморфным процессором, о котором шла речь выше. Рука в итоге стала определять прикосновение в 1000 раз быстрее нервной системы человека, плюс ее обучили определять форму, текстуру и твердость объектов, причем быстрее, чем человек.
Работают над подобными системами и независимые научные организации. Так, команда Манчестерского вуза создала архитектуру SpiNNaker с 1 млн ядер, способных эмулировать работу свыше 100 млн нейронов.
А когда можно будет использовать нейроморфные чипы?
Тем не менее, нейроморфные чипы являются весьма перспективным направлением разработок в области вычислительной техники. Возможно, кому-то из исследователей удастся совершить прорыв, после чего начнется реализация серьезных проектов. В любом случае, нейроморфные технологии являются дополнением к существующим, они не могут быть заменой или альтернативой.
Что такое нейроморфные вычисления?
В прошлом году мир увидел беспилотный велосипед, который может объезжать препятствия, следовать за человеком и реагировать на голосовые команды. Хотя практической пользы от самоуправляемого велосипеда было мало, нейроморфные вычисления, лежащие в его основе, — технология очень любопытная и многообещающая.
Среди последних тенденций в глубоком обучении — нейроморфные вычисления, которые используют те же принципы строения и работы, что и человеческий мозг. А потенциал технологии заключается как раз в сходстве с биологическими нейронными сетями.
Современные технологии искусственного интеллекта ограничены: они могут решать только определенные задачи и плохо обобщают свои знания. Например, модель ИИ, разработанная для игры StarCraft II, будет бесполезна в Dota 2, где потребуется совершенно другой алгоритм ИИ. А нейроморфный ИИ-чип в том же велосипеде позволил сразу решать несколько задач: распознавание объектов, речи, навигацию и предотвращение столкновений с препятствиями.
Как работают нейроморфные вычисления? В их основе лежат искусственные нейронные сети — программное обеспечение ИИ, которое примерно соответствует структуре человеческого мозга. Нейронные сети состоят из искусственных нейронов — крошечных вычислительных блоков, которые выполняют простые математические функции.
Но сами по себе искусственные нейроны бесполезны. А вот когда вы компонуете их в слои, они могут распознавать объекты на изображениях, преобразовывать голос в текст и выполнять другие задачи.
При обучении алгоритма разработчики запускают в нейронную сеть огромное количество примеров вместе с ожидаемым результатом. Модель ИИ настраивает каждый из искусственных нейронов по мере того, как анализирует все больше и больше данных. Постепенно ИИ становится все более точным в своей области, например, в распознавании заболеваний на рентгеновских снимках, отсеивании мошеннических банковских транзакций и др.
Для работы нейроморфных вычислений нужны соответствующие (нейроморфные) чипы. Из-за распределенного характера нейронных сетей запускать их на классических компьютерах, пусть и с самыми мощными процессорами, затруднительно. Графические процессоры, конечно, уже лучше подходят для умножения матриц — основной операции нейронных сетей. Но и им не хватает физической структуры нейронных сетей, и они по-прежнему должны эмулировать нейроны в программном обеспечении, хотя и с огромной скоростью. Отсюда, например, избыточное энергопотребление — одна из главных проблем GPU.
Нейроморфные же чипы физически структурированы как искусственные нейронные сети. Они состоят из множества небольших вычислительных блоков, каждый из которых соответствует искусственному нейрону. Между этими блоками есть физические связи — они делают нейроморфные чипы больше похожими на органический мозг, который состоит из биологических нейронов и их соединений, называемых синапсами. Самое главное — нейроморфные компьютеры могут запускать модели ИИ с большей скоростью, чем классические и графические процессоры, при этом потребляя меньше энергии.
Чем больше нейронов в чипе, тем больше задач (нейроморфных вычислений) сможет выполнять модель ИИ. Например, нейроморфный чип, используемый в беспилотном велосипеде, упомянутом выше, содержал около 40 000 искусственных нейронов на 3,8 мм2. По сравнению с GPU с таким же количеством нейронов этот чип мог работать в 100 раз быстрее и потреблять энергию практически в 10 000 раз меньше.
Плата Intel Nahuku, которая содержит от 8 до 32 нейроморфных чипов Intel Loihi. Система Pohoiki Beach состоит из нескольких плат Nahuku
Однако 40 000 нейронов находится в мозгу рыбы, а вот в человеческом — уже около 100 млрд. В AlexNet, популярной сети классификации изображений, содержится более 62 млн, в языковой модели OpenAI GPT-2 — свыше 1 млрд нейронов.
Сейчас производители уже разрабатывают нейроморфные чипы, готовые к использованию в различных областях ИИ. Например, каждый чип Intel Loihi содержит 131 000 нейронов и 130 млн синапсов. А у компьютера Pohoiki Beach, смоделированного на основе 64-х таких чипов, уже 8,3 млн нейронов. В нейроморфном компьютере TrueNorth от IBM — 64 млн нейронов и 16 млн синапсов.