BrainChip تكشف النقاب عن Akida Pico ذو الطاقة المنخفضة جدًا لأجهزة الذكاء الاصطناعي

ومن نقاط القوة الخاصة لهذا النهج هو أن الطاقة لا يتم استهلاكها إلا عندما تكون هناك طفرات. في نموذج التعلم العميق العادي، تقوم كل خلية عصبية اصطناعية ببساطة بإجراء عملية على مدخلاتها: ليس لديها حالة داخلية. في بنية الشبكة العصبية المتصاعدة، بالإضافة إلى معالجة المدخلات، تتمتع الخلية العصبية بحالة داخلية. وهذا يعني أن المخرجات يمكن أن تعتمد ليس فقط على المدخلات الحالية، ولكن أيضًا على تاريخ المدخلات السابقة مايك ديفيز، مدير مختبر الحوسبة العصبية في إنتل. يمكن لهذه الخلايا العصبية أن تختار عدم إخراج أي شيء، على سبيل المثال، إذا لم يتغير المدخل بشكل كافٍ عن المدخلات السابقة، وبالتالي توفير الطاقة.

“إن ما يتفوق فيه الشكل العصبي حقًا هو معالجة تدفقات الإشارات عندما لا تستطيع الانتظار لجمع تدفق البيانات بالكامل ثم معالجتها بطريقة متأخرة ومجمعة. يقول ديفيز: “إنها مناسبة للبث المباشر في الوقت الفعلي”. فريق ديفيز مؤخرا نشرت نتيجة تظهر بهم شريحة لويهيكان استخدام الطاقة واحدًا على الألف من استخدام وحدة معالجة الرسومات لحالات الاستخدام المتدفقة.

يشتمل Akida Pico على محرك المعالجة العصبية الخاص به، جنبًا إلى جنب مع وحدات SRAM لمعالجة الأحداث وتخزين الوزن النموذجي، ووحدات الذاكرة المباشرة لتحويل الارتفاع وتكوينه، والأجهزة الطرفية الاختيارية. ويقول برايتفيلد إنه في بعض الأجهزة، مثل أجهزة الكشف البسيطة، يمكن استخدام الشريحة كجهاز مستقل، دون الحاجة إلى وحدة تحكم دقيقة أو أي معالجة خارجية أخرى. بالنسبة لحالات الاستخدام الأخرى التي تتطلب مزيدًا من المعالجة على الجهاز، يمكن دمجها مع وحدة تحكم دقيقة أو وحدة معالجة مركزية أو أي وحدة معالجة أخرى.

يتضمن تصميم Akida Pico من BrainChip نسخة مصغرة من محرك المعالجة العصبي، وهو مناسب للأجهزة الصغيرة التي تعمل بالبطارية.شريحة الدماغ

عملت BrainChip أيضًا على تطوير بنيات نماذج الذكاء الاصطناعي التي تم تحسينها من أجل الحد الأدنى من استخدام الطاقة في أجهزتهم. لقد أظهروا تقنياتهم من خلال تطبيق يكتشف الكلمات الرئيسية في الكلام. يعد هذا مفيدًا للمساعدة الصوتية مثل Alexa من Amazon، والذي ينتظر تنشيط الكلمات الرئيسية “Hello, Alexa”.

استخدم فريق BrainChip تم تطويره مؤخرًا تهدف بنية النموذج إلى تقليل استخدام الطاقة إلى خمس الطاقة التي تستهلكها النماذج التقليدية التي تعمل على معالج دقيق تقليدي، كما هو موضح في المحاكاة الخاصة بها. يقول برايتفيلد: “أعتقد أن أمازون تنفق 200 مليون دولار سنويًا على خدمات الحوسبة السحابية لإيقاظ Alexa”. “إنهم يفعلون ذلك باستخدام وحدة تحكم دقيقة ووحدة معالجة عصبية (NPU)، ولا تزال تستهلك مئات المللي واط من الطاقة.” إذا كان حل BrainChip يوفر بالفعل توفير الطاقة المطالب به لكل جهاز، فسيكون التأثير كبيرًا.

وفي العرض التوضيحي الثاني، استخدموا نموذجًا مشابهًا للتعلم الآلي لتوضيح إزالة الضوضاء الصوتية، لاستخدامها في أدوات السمع أو سماعات إلغاء الضوضاء.

حتى الآن، لم تجد أجهزة الكمبيوتر العصبية استخدامات تجارية واسعة النطاق، ويبقى أن نرى ما إذا كانت هذه الأجهزة المصغرة ستنطلق، ويرجع ذلك جزئيًا إلى تضاؤل ​​قدرات تطبيقات الذكاء الاصطناعي منخفضة الطاقة. يقول ديفيس من إنتل: “إذا كنت على مستوى الشبكة العصبية الصغيرة جدًا، فهناك قدر محدود من السحر الذي يمكنك جلبه لحل المشكلة”.

ومع ذلك، يأمل Brightfield من BrainChip أن يكون هناك مساحة للتطبيق. “يمكن أن يكون الكلام يستيقظ. يمكن أن يكون الأمر مجرد تقليل الضوضاء في سماعات الأذن أو نظارات الواقع المعزز أو أدوات السمع الخاصة بك. هذه هي جميع أنواع حالات الاستخدام التي نعتقد أنها مستهدفة. ونعتقد أيضًا أن هناك حالات استخدام لا نعلم أن شخصًا ما سوف يخترعها.”