我还记得20世纪80年代初的那种兴奋,当时的平民大众(包括我自己和我的朋友)第一次听到人们谈论“专家系统”。这些小流氓(系统,而不是人)是人工智能(AI)的早期形式,它使用事实和规则的知识库,以及可以使用知识库推断新信息的推理引擎。
专家系统在他们的时代是非常聪明的,这样说并不不公平。不幸的是,他们的能力被过度夸大了,而与创建和维护他们的知识库相关的任何问题在很大程度上被掩盖了。同样不幸的是,市场大众中一些下流的人开始兴高采烈地把“人工智能”的标签贴在任何东西上,却很少考虑事实(参见另文)专家系统历史).
结果,到了20世纪90年代末,“人工智能”这个词在每个人的嘴里都留下了不好的味道。说实话,我在很大程度上把人工智能抛到了脑后,直到它——以及它的机器学习(ML)和深度学习(DL)兄弟——在大约2015年出人意料地从学术界爆发到现实世界。
当然,这项技术有很多推动者,包括在算法、框架和处理能力方面令人难以置信的发展。当然,现在人工智能就在我们身边,每天都有新的应用程序出现。
最初,人工智能的现代化身主要是在云计算中(即数据中心的强大服务器上)。云仍然是人工智能神经网络进行大量训练的地方,但推理(使用训练过的神经网络模型进行预测)正越来越多地走向数据生成的边缘。事实上,到2025年,边缘预计将占推理市场的近四分之三。
2025年预测的推理市场(图片来源:BrainChip)
在边缘工作的问题是,在处理性能和功耗方面,您几乎总是受到限制。这让我们想到一个事实,即目前使用的大多数人工神经网络(ann)都属于一种被称为卷积神经网络(CNN)的类型,它严重依赖于矩阵乘法。看待CNN的一种方式是,网络的每个部分都一直处于活动状态。另一种类型的神经网络,被称为峰值神经网络(SNN),是基于事件的。也就是说,SNN的神经元在每个传播周期中都不传输信息(就像多层cnn的情况一样)。相反,它们只在输入信号超过特定阈值时才传输信息。
所有这些的来龙去脉(没有双关语的意思)都太复杂了,不能在这里讨论。可以说,基于snn的神经形态芯片仅使用微瓦到毫瓦的功率(而人脑或GPU的功率为20瓦左右,GPU的功率为数百瓦)就可以处理以纳秒为单位的信息(而人脑的功率为毫秒)。
现在,如果你感觉不友好,你可能会这样想:“拉另一个,上面有铃铛。或者,如果你觉得自己有点仁慈,你可能会对自己说,“我以前听过所有这些,甚至看过演示,但在我亲自尝试之前,我什么都不会相信。”不管怎样,我有一些消息会让你唇上挂着微笑,让你心中歌唱,让你的一天充满光彩(不客气)。
你可能还记得我们谈论过一家叫BrainChip在过去几年的EEJournal上(见BrainChip推出神经形态芯片而且神经形态革命比如凯文·莫里斯(Kevin Morris)。我刚刚和Anil Mankar聊天,他是BrainChip的首席开发官。Anil告诉我,BrainChip的人现在正在接受迷你PCIe板的订单,炫耀他们的AKD1000神经形态AIoT芯片。
拥有AKD1000神经形态AIoT芯片的迷你PCIe板
(图片来源:BrainChip)
这些电路板和芯片以及BrainChip的设计环境支持所有常见的AI框架,如TensorFlow,包括经过训练的CNN到SNN的翻译。
如果您是一名开发人员,您可以将akd1000驱动的Mini PCIe板插入现有系统,以解锁各种边缘AI应用程序的功能,包括智能城市、智能健康、智能家居和智能交通。更棒的是,BrainChip还将向系统集成商和开发人员提供完整的PCIe设计布局文件和物料清单(BOM),使他们能够构建自己的电路板,并将AKD1000芯片作为独立的嵌入式加速器或协处理器批量实现。只是给你一个诱人的提示,关于什么是可能的,在BrainChip的YouTube频道上有很多视频,包括以下例子:
这些PCIe板可以立即在BrainChip网站上预订,起价499美元。正如BrainChip公司的人喜欢说的那样:“我们不制造传感器——我们让它们变得智能;我们不增加复杂性,而是消除它;我们不是浪费时间,而是节约时间。”而且,为了阐明他们的观点,他们在结束语中说:“我们解决了其他人没有或无法解决的Edge人工智能难题。”我可不会用这种逻辑来争论。就我自己而言,我现在正在考虑如何使用这些板来检测和识别刺激,并控制我的电子机器人头。哦,我忘了我还没告诉你那件事——我的错。别担心,我将在未来的专栏文章中揭开面纱。与此同时,你有什么关于神经形态的想法想要分享吗?