随[db:标签]��[db:标签]��会转向人工智能来解决越来越多领域的问题，我们看到了一场军备竞赛：创建更高速度和更低功耗的专用于深度学习模型的硬件。

该竞赛的最新突破包括新的芯片体系结构，该体系结构以与我们之前所见完全不同的方式执行计算。通过观察它们的功能，我们可以了解未来几年可能出现的人工智能应用。

神经形态芯片

神经网络是深度学习的关键。它由成千上万的小程序组成，这些程序通过执行简单的计算来执行复杂的任务。例如检测图像中的对象或将语音转换为文本。

但是传统计算机无法优化神经网络操作。相反，它们由一个或几个强大的中央处理器（CPU）组成。神经形态计算机使用另一种芯片结构来物理表示神经网络。神经形态芯片由许多直接对应于软件的物理人工神经元组成。这使得它们在训练和运行神经网络方面特别快。

神经形态计算的概念早在1980年代就存在，但由于神经网络的效率太低而被忽略了，因此并未引起人们的广泛关注。近年来，随着对深度学习和神经网络的重新关注，神经形态芯片的研究受到了新的关注。

今年7月，一组中国研究人员推出了一种名为“启示录”的神经形态芯片，可以解决许多问题，包括目标检测，导航和语音识别。研究人员将该芯片集成到自动驾驶自行车中，并对语音命令做出反应，以演示该芯片的功能。研究人员在发表在期刊《自然》上的一篇论文中指出，我们的研究有望为更通用的硬件平台铺平道路，从而刺激AGI（人工智能）的发展。

尽管没有直接证据表明神经形态芯片是创建人工智能的正确方法，但它们肯定会帮助创建更高效的人工智能硬件。

神经形态芯片吸引了众多技术公司的关注。今年早些时候，英特尔推出了Pohoiki Beach，它具有多达64个Intel Loihi神经形态芯片，能够模拟800万个单个神经元。据英特尔称，Loihi处理信息的速度是传统处理器的1000倍，效率是传统处理器的10,000倍。

光学计算

神经网络和深度学习计算需要大量的计算资源和功能。人工智能的碳足迹已成为环境问题。神经网络的能耗也限制了它们在功率受限的环境中的使用，例如电池供电的设备。

随着摩尔定律的持续放慢，传统的电子芯片正努力跟上人工智能行业不断增长的需求。

数家公司和研究实验室已转向光学计算，以寻找解决人工智能行业速度和功率挑战的解决方案。 光学计算使用光子代替电子，并且光学信号代替数字电子用于计算。

光学计算设备不会像铜电缆那样产生热量，从而大大降低了能耗。光学计算机还特别适合于快速矩阵乘法，这是神经网络中的关键操作之一。

在过去的几个月中，出现了几种光学人工智能芯片的原型。总部位于波士顿的Lightelligence开发了一种光学人工智能加速器，该光学加速器与当前的电子硬件兼容，并且可以通过优化一些较重的神经网络计算来将人工智能模型的性能优化一到两个数量级。 Lightelligence工程师表示，光学计算的进步也将降低制造人工智能芯片的成本。

香港科技大学的一组研究人员最近开发了一种全光学神经网络。目前，研究人员已开发出概念验证模型，该模型可模拟具有16个输入和2个输出的完全连接的双层神经网络。大规模的光学神经网络可以以光速和低能耗运行从图像识别到科学研究的大量计算应用。

超大芯片

八月，硅谷初创公司Cerebras Systems推出了带有1.2万亿个晶体管的大型人工智能芯片。 Cerebras芯片的尺寸为42225 mm2，比最大的NVIDIA图形处理器大50倍以上。

大芯片可加快数据处理速度，并更快地训练人工智能模型。与GPU和传统CPU相比，Cerebras的独特架构还降低了能耗。

当然，芯片的尺寸将限制其在有限空间环境中的使用。 Cerebras最近与美国能源部签署了第一份合同。美国能源部将使用该芯片来加速科学，工程和健康领域的深度学习研究。

考虑到各种各样的行业和部门都在寻找深度学习的应用程序，因此几乎不可能用一个体系结构来占领市场。但是可以肯定的是，未来几十年里，未来的人工智能芯片可能与我们计算机和服务器的经典CPU截然不同。

编者注：Ben Dickson是TechTalks博客的软件工程师和创始人。 TechTalks探索了技术解决和制造问题的方式。