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域有幾處相同之處。兩者均設計為處理人工神經(jīng)網(wǎng)絡，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，相似性到此結束了：Neuromorphic芯片僅設計用于稱為尖峰網(wǎng)絡的特殊神經(jīng)網(wǎng)絡，并且它們的結構與傳統(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))。隨著新應用和新技術的不斷涌現(xiàn)，現(xiàn)在說這些設備的市場情況還為時過早。

EE Times問領先的AI加速器公司的首席執(zhí)行官這些技術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計的，它使用大量數(shù)據(jù)來訓練大型網(wǎng)絡。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。”