Η IBM θέλει να επιταχύνει την εκπαίδευση των AI συστημάτων με επεξεργαστές νέας τεχνολογίας

Τα deep neural networks (DNNs) μπορούν να εκπαιδευτούν σχεδόν για τα πάντα, όπως το να μας κερδίζουν σε παιχνίδια όπως το σκάκι και το Go. Το πρόβλημα είναι ότι η εκπαίδευση των συστημάτων τεχνητής νοημοσύνης απαιτεί τη λειτουργία supercomputers ή data centers για μέρες. Ερευνητές από το κέντρο ερευνών T.J. Watson της IBM, πιστεύουν ότι μπορούν να μειώσουν τις απαιτήσεις σε υπολογιστική ισχύ καθώς και τους απαιτούμενους χρόνους, χρησιμοποιώντας resistive processing units, δηλαδή chips που θα συνδυάζουν CPU και non-volatile μνήμη. Με τον τρόπο αυτό, οι ταχύτητες δεδομένων θα αυξηθούν εκθετικά, επιτρέποντας τη δημιουργία συστημάτων που θα μπορούν, σύμφωνα με την ομάδα, να πραγματοποιήσουν αναγνώριση φυσικής γλώσσας και μετάφραση σε όλες τις γλώσσες του κόσμου.
Η υπολογιστική ισχύς και ο χρόνος που απαιτείται για την εκπαίδευση των συστημάτων τεχνητής νοημοσύνης, οφείλεται στο γεγονός ότι τα νευρωνικά δίκτυα όπως το DeepMind της Google και το Watson της IBM πραγματοποιούν δισεκατομμύρια διεργασίες ταυτόχρονα. Ένα ενδεχόμενο που εξέταζαν οι ερευνητές είναι η χρήση resistive RAM, η οποία μπορεί να αποθηκεύει δεδομένα με ταχύτητες DRAM. Εν τέλει όμως, αποφάσισαν να δημιουργήσουν ένα νέου είδους chip, το resistive processing unit (RPU), το οποίο διαθέτει μεγάλο ποσοστό από resistive RAM ενσωματωμένο στο CPU. Σύμφωνα με τους ερευνητές, η συγκεκριμένη RPU αρχιτεκτονική μπορεί να προσφέρει ταχύτητες υψηλότερες κατά 30.000 φορές σε σχέση με τους σύγχρονους μικροεπεξεργαστές. Προβλήματα που απαιτούν πολλές ημέρες εκπαίδευσης σε ένα data center, θα ολοκληρώνονται μέσα σε μερικές ώρες, χάρη σε ένα RPU accelerator.