通向人工智能未来的三条赛道:量子计算+神经拟态计算+高性能计算


有三种技术致力于带来更快、更简单、更便宜和更智能的人工智能。 高性能计算如今已经问世。量子计算机和神经模拟计算网络即将进入商业化。后两种技术将彻底改变人工智能和深度学习。

人工智能和深度学习有三个问题

Time:训练有线电视新闻网和RNN这样的深度网络需要数周时间,这还不包括在深度网络编程之前定义问题和达到可用性能所需的时间

成本:使用数百个图形处理器连续计算非常昂贵 从亚马逊的云计算服务租用800个图形处理器,每周花费大约12万美元 这不包括人工成本 人工智能项目可能需要几个月或更多的高级人员成本。

数据:在许多情况下,没有足够的标记数据项很难成功 有很多好主意,但是训练数据的价格太高了。

在商业领域取得了巨大进步,主要涉及图像处理、文本或语音识别。许多这样的初创公司已经利用了谷歌、国际商用机器公司、微软和其他公司优秀的图像和语音模型应用编程接口

如果你关注这个领域,你会发现我们已经开始使用有线电视新闻网和RNN 超越这些应用的发展才刚刚出现,下一波进步将来自敌对网络(GANs)和强化学习(RECENSION LEarning)的产生,以及沃森等问答机(QAMs)。

这是关于如何推广人工智能的最常见观点。 使用越来越复杂的深层神经网络,不同于目前通用的有线电视新闻网和RNN架构,运行速度更快。

事实上,未来可能完全不同 我们看到的是未来基于完全不同技术的人工智能三方竞争。 它们是:

1,高性能计算

2,神经模拟计算

3,量子计算

其中高性能计算是当今关注的焦点 芯片制造商和谷歌等制造商之间的竞争正在进行,这两家公司都在加速开发深度学习芯片。 神经模拟计算(脉冲神经网络)和量子计算的发展似乎需要几年时间。 事实上,神经模拟芯片和量子计算机已经在机器学习中投入商业应用。

无论热还是冷,这两项新技术都会直接颠覆人工智能的道路,这是一件好事

高性能计算目前是关注的焦点 高性能计算使得现有的深层神经网络结构更快、更容易访问。

基本上,这意味着两件事:一个更好的通用环境,比如TensorFlow,在更大的数据中心更好地使用GPU和FPGA,以及出现更多的专用芯片。

人工智能的新商业模式是“开源” 在2016年上半年,基本上所有主要的人工智能玩家都将开放他们的人工智能平台 他们在数据中心、云服务和人工智能知识产权方面投入巨资,以相互竞争。 开源背后的策略非常简单,拥有最多用户的平台用户获胜。

尽管英特尔、英业达和其他传统芯片制造商正在满足GPU的新需求,但谷歌和微软等巨头正在开发专有芯片,以使他们的深度学习平台更快、更具吸引力。

TensorFlow是谷歌强大的通用解决方案。最新的专有芯片TPU,天梭流,结合,以取得更好的效果。

微软一直在兜售非专有的现场可编程门阵列,并发布了认知工具包2.0版 碳纳米管提供了一个可以直接与火花集成的Java应用编程接口 它支持Keras代码,使用户从谷歌迁移变得容易。 据报道,CNTK比TensorFlow更快、更准确,并提供了Python应用编程接口。

巩固火花将继续保持重要驱动力 雅虎将天梭流带到了斯巴克 Spark的主要商业提供商Databricks推出了一个开源软件包,将深度学习和Spark结合在一起。

这里的关键驱动因素至少解决了三个障碍中的两个 这些改进使编程更快、更容易,以便获得更可靠、更好的结果,尤其是更快的芯片使机器的计算时间更短。

神经模拟计算或脉冲神经网络是强人工智能的途径。基于脑操作原理,它与目前的深层神经网络有很大不同。

研究人员观察到,并非大脑中的所有神经元每次都被激活。 神经元在链路上发送选择性信号,数据实际上以某种脉冲模式编码在信号中。 事实上,这些信号由一系列脉冲组成,所以研究人员根据它们的振幅、频率和延迟时间对它们进行编码。

在现有的深层神经网络中,每个神经元根据相对简单的激活函数被激活,并且每次都激活所有神经元。

与当前的深度学习神经网络相比,神经模拟计算有几个显着的改进

1。由于并非所有的“神经元”每次都被激活,单个SNN神经元可以取代传统深层神经网络中的数百个神经元,从而在功率和体积方面产生更高的效率。

2。早期的例子表明,神经模拟计算可以使用无监督的技术(未标记的例子)从环境中学习,并且只需几个样本就可以快速学习。

3。神经模拟计算可以从一个环境中学习并应用到另一个环境中 可以记忆和总结,这才是真正的突破能力

4。神经模拟计算更加节能,为小型化开辟了道路。

基本框架的这种变化可以解决今天深入学习所面临的三个基本问题。

最重要的是,你现在可以购买和使用神经模拟脉冲神经网络系统。 这不是一项遥远的技术。

智能芯片控股公司(BrainChip Holdings)在拉斯维加斯最大的赌场之一推出了商业安全监控系统,并宣布将交付其他应用。 在拉斯维加斯,它的功能是通过监控摄像机的视频自动检测经销商的错误。 通过观察学习赌博规则。 智能芯片(BrainChip)是澳大利亚证券交易所的上市公司,推出了一系列赌场监控产品。

关于量子计算你可能不知道的是:

量子计算已经存在。洛克希德马丁公司自2010年以来一直从事商业运营。其他几家公司也在引进基于光波量子计算机的商业应用。这是第一台面向商业市场推出的量子计算机。D-Wave希望量子计算机的尺寸每年翻倍。

今年5月,国际商用机器公司宣布推出量子计算机商业产品 这是一项基于云计算的订阅服务,无疑大大简化了对这些昂贵而复杂的机器的访问 小发猫表示,迄今为止,用户已经运行了30万个实验。

谷歌和微软有望在未来两到三年内发布他们的商用量子计算机,就像许多独立的学术机构一样

D-Wave和一些独立的研究人员已经引入了开源编程语言,使得量子设备的编程变得更加容易。

量子计算机擅长各种类型的优化问题

根据谷歌2015年的研究报告,D波量子计算机的性能是传统计算机的108倍,速度是传统计算机的1亿倍。 谷歌工程总监哈特穆特内文(Hartmut Nevan)表示:“d-wave在一秒钟内能做什么,传统计算机需要10,000年。”

量子计算代表了强人工智能的第三种方式,克服了速度和成本的问题。

神经模拟计算和量子计算潜力巨大 看时间线 高性能计算将在未来几年继续发展,然而,许多实验室和数据中心将使用更先进的量子计算机和神经模拟计算。

深度学习平台正在开发,如谷歌天梭流和微软碳纳米管,其他平台也在努力争取用户。 随着量子计算和神经模拟计算的发展,该平台将逐渐被采用。

量子计算机将彻底消除时间障碍,降低成本障碍。一种新型的机器学习将在未来出现。

我个人的观点是量子计算和神经模拟非常类似于2007年,当时谷歌的分布式数据存储系统“大表”成为开源Hadoop。 起初我们不知道如何使用它,但是三年后Hadoop几乎主宰了整个数据科学。

人工智能2017年最热门的标签 对于许多人工智能水测试员来说,你知道如何平衡技术和需求吗?你知道如何利用这项政策事半功倍吗?你知道如何找到公司的投资机会吗?12月14日,“2017亿欧洲创新者年会人工智能产业应用峰会”,我们将邀请众多投资者、企业家和人工智能精英共同探讨。它不仅是人工智能+行业+应用,也是需求者和技术提供者的沟通平台、政策专家和企业的沟通平台、投资者和企业的相互追逐平台、应届毕业生和企业的对接平台。 多维,更深,到这里来实现你的人工智能!

版权声明

本文来源于1亿欧元,由1亿欧元授权发行。版权属于原作者。 请点击重印说明进行重印或内容合作。任何非法翻印都将受到起诉