AIチップの過去、現在、そして未来

AIの力は、医療紛争、化学合成、犯罪者識別、自動運転などの応用分野で拡大しています。 AI は現在何ができず、将来何ができるのでしょうか。米国の商用システム チップ相互接続 IP サプライヤである ArterisIP の CTO、Ty Garibay 氏が、AI と AI チップの過去と現在を説明するブログを公開しました。

最初のバブル、寒い冬の時期、そしてAI技術の研究再開を経験した後、現在のブレークスルーポイントは基本層AIチップの更新にあります。 AI が現在のディープラーニングの高度な基準を超えることができるかどうかについては、まだ議論と検証が必要です。

簡単な歴史

「人工知能」という用語は1956年に生まれ、英国のダートマス会議でジョン・マッカーシー、クロード・シャノン、マービン・ミンスキーの3人の科学者によって提唱されました。 1960 年代の終わりに、アーサー・サミュエルは、間違いから学び、チェッカーなどのゲームでそれをプログラムした人間よりも優れたパフォーマンスを発揮できるプログラムを指す「機械学習」という造語を生み出しました。

コンピュータ技術の急速な進歩により、研究者たちは AI がすぐに問題を解決できると信じるようになりました。科学者たちは、人間の脳機能に基づいたコンピューティングが現実の問題を解決できるかどうかを研究する中で、「ニューラル ネットワーク」という概念を生み出しました。

1970年、科学者のマービン・ミンスキーは『ライフ・ウィークリー』誌のインタビューで、3年から8年以内に平均的な人間と同等の知能を持つ機械が登場すると予想されると語った。

1980年代には、AIが研究室から商業化され、AIへの投資熱も高まりました。 AI関連のハイテク株バブルが崩壊すると、AIは研究室に戻った。 「AIの冬」が来ます。業界関係者は、当時AI技術の開発はあまりにも進んでおり、この技術が普及することは決してないだろうと考えていた。

1986 年、ニューラル ネットワークの父であるジェフリー ヒントンと他の研究者は、「バックプロパゲーション」アルゴリズムによってディープ ニューラル ネットワークの応答性を高める方法を研究した画期的なレポートを発表しました。

1989年、ディープラーニングの三大巨頭の一人であるアメリカのコンピューター科学者ヤン・ルカンと、当時ベル研究所にいた彼の同僚たちは、手書きの郵便番号を認識できるニューラルシステムを開発することで、現実世界でのAI理論の実現可能性を検証した。

2009 年、スタンフォード大学の Rajat Raina、Anand Madhavan、Andrew Ng は、最新の GPU のディープラーニング機能が CPU の機能をはるかに上回ることを示す論文を発表しました。 AI軍が復活しそうだ。

今

なぜ今、投資コミュニティが AI について語っているのでしょうか。その原動力は、コンピューター技術の成熟と、膨大な量のデータの容易な取得です。研究者がこれらのリソースを手に入れれば、アルゴリズムやソリューションはもはや空想ではなくなります。

しかし、AI チップの最大の課題は、システム レベルのチップ内で上記のリソースをどのように調整するかであり、システム レベルのチップはハードウェア アクセラレータに基づいています。

そのため、特に自動車業界では、安全性と信頼性の基準を一切下げることができない、AI チップの設計要件は非常に高くなります。

GoogleやTeslaのような企業は集積回路の設計がまだ成熟していない可能性があり、AI MovieやHorizo​​n RoboticsなどのAIスタートアップは機械学習で大きな成果を上げているものの、高度なシステムレベルのチップ研究開発を完了するのはまだ困難です。

車のフロントカメラに搭載されているディープラーニング AI チップ アクセラレータを例にとると、このチップの主な目的は、道路上の車両や物体を分析して検出することです。各 AI チップには、最大の帯域幅を確保するためのメモリ ファイルが付属しています。

チップ内の相互接続メカニズムは、物体が検出されたときにはより広い帯域幅を確保し、物体が検出されない場合はより狭い帯域幅を割り当てて、エネルギー消費を最適化する必要があります。最適化の手段は、より高度なアルゴリズムを更新することです。このような AI アルゴリズムは、1 日に 1 回更新またはアップグレードする必要があります。

現在のディープ アルゴリズム チップをバナナに例えると、腐ったバナナを保管したいと思う人は誰もいないでしょう。実際、AI チップの古いアルゴリズムは腐ったバナナのようなものです。そのため、AIチップの場合、発売時期は他の種類の半導体よりも敏感です。

未来

AI技術の進歩を大きく促進したディープラーニングやニューラルネットワークに加えて、多くの研究者は、AIがより高い要件を満たすためには、AIチップをサポートするためのより多くの方法が必要であると考えています。

現在、ほとんどの AI チップの設計は、ルカンやヒントンなどの学者の理論に基づいて開発されたさまざまなバージョンにすぎませんが、このままの道を進み続けると、AI テクノロジーは、人間の思考を AI で完全に置き換えることはおろか、より大きな実質的な進歩を遂げることはできないでしょう。

現在、AI 技術は依然として「ラベル付けされた」データに基づいており、過去の経験とはまったく関係のないタスクを完了することはできません。ニューラル ネットワークは、既存の知識と未知のルール (たとえば、「上」の反対は「下」であり、子供は親から生まれるという事実) を組み合わせることもありません。

AI技術は、現時点ではラベル付けされていないデータに基づく問題を解決することができません。例えば、火傷を負ったことがない人でも、自ら進んで火のついたストーブに触れることはありません。AIはまだそれができません。 「ラベル付けされた」データを通じて学習する場合でも、データサンプルは十分に大きくなければなりません。

AI チップは人間よりも賢くはないようですが、強力な学習能力を備えており、将来的にはさらに賢くなる可能性があります。アルゴリズムとチップ システムの両方の設計を改善できるため、AI チップには、より高度なメモリ システムと接続メカニズム、およびディープラーニング データ ストリームを伝送するためのハードウェア アクセラレータが必要になります。