神經(jīng)形態(tài)計算與AI芯片是競爭還是互補

乍一看，新型神經(jīng)形態(tài)芯片與AI加速器的類似前沿領(lǐng)域有幾處相同之處。兩者均設(shè)計為處理人工神經(jīng)網(wǎng)絡(luò)，與CPU相比，它們均提供了性能上的改進，并且均聲稱具有更高的電源效率。

但是，相似性到此結(jié)束了：Neuromorphic芯片僅設(shè)計用于稱為尖峰網(wǎng)絡(luò)的特殊神經(jīng)網(wǎng)絡(luò)，并且它們的結(jié)構(gòu)與傳統(tǒng)計算中的任何事物都根本不同(沒有乘累加單元那么傳統(tǒng))。隨著新應(yīng)用和新技術(shù)的不斷涌現(xiàn)，現(xiàn)在說這些設(shè)備的市場情況還為時過早。

EE Times問領(lǐng)先的AI加速器公司的首席執(zhí)行官這些技術(shù)是否真正互補或是否存在某些重疊。

最大的問題是：這些計算范式會不會最終彼此競爭?

不同的利基市場

英特爾并不這么認為。該芯片巨頭是Loihi芯片在神經(jīng)形態(tài)計算研究方面的領(lǐng)導者，在其數(shù)據(jù)中心CPU范圍以及對AI加速器公司Habana Labs的收購方面，都是AI加速的領(lǐng)導者。

英特爾神經(jīng)形態(tài)計算實驗室主管Mike Davies認為神經(jīng)形態(tài)計算不能直接與傳統(tǒng)的AI加速器(如Habana Labs開發(fā)的加速器)相比。戴維斯說：“神經(jīng)形態(tài)計算對于一種不同的機制，與大數(shù)據(jù)不同的利基計算很有用，它可以監(jiān)督學習問題。”當今的AI加速器是為深度學習而設(shè)計的，它使用大量數(shù)據(jù)來訓練大型網(wǎng)絡(luò)。這需要巨大的I / O帶寬和內(nèi)存帶寬。

大衛(wèi)補充說：“神經(jīng)形態(tài)模型與此完全不同。”“他們正在處理單個數(shù)據(jù)樣本……真實世界的數(shù)據(jù)正在到達芯片，因此需要立即進行處理，并在那里以最低的延遲和最低的功耗進行處理。

“與邊緣深度學習AI芯片相比，邊緣端的不同之處在于，我們還在尋找能夠適應(yīng)并且可以基于深度學習范式不支持的到達的單個數(shù)據(jù)樣本實時進行實時學習的模型。很好。”