隨著在舊金山舉行的國際電子設(shè)備會(huì)議（IEDM）和在蒙特利爾舉行的神經(jīng)信息處理系統(tǒng)會(huì)議（NeurlPS）的開門紅，對(duì)于任何希望跟上人工智能研發(fā)發(fā)展步伐的人來說，本周都顯得十分重要。

正如IBM的研究人員正在詳細(xì)介紹用于數(shù)字和模擬人工智能芯片的新人工智能方法。IBM自豪地宣稱，其數(shù)字AI芯片“首次成功地使用8位浮點(diǎn)數(shù)訓(xùn)練了深度神經(jīng)網(wǎng)絡(luò)（DNNs），同時(shí)在深度學(xué)習(xí)模型和數(shù)據(jù)集的頻譜上完全保持了準(zhǔn)確性?！?/p>

另外，IBM的研究人員正在IEDM上展示一種模擬人工智能芯片，它使用8位精度的內(nèi)存與投影相變內(nèi)存相乘。

AI的GPU時(shí)代結(jié)束了

IBM大膽預(yù)測(cè)，GPU在人工智能領(lǐng)域的主導(dǎo)地位將終結(jié)。GPU能夠?yàn)閳D形處理做很多并行矩陣乘法。這樣的矩陣乘法恰好是你需要用神經(jīng)網(wǎng)絡(luò)做的事情。

移動(dòng)到較低的精度

提高效率的一個(gè)途徑是降低人工智能處理所需的精度。

在人工智能中，神經(jīng)網(wǎng)絡(luò)是當(dāng)你展示一幅圖像或一個(gè)詞，我們問它是貓還是狗時(shí)，它說它是貓。如果這是正確的答案，你就不必關(guān)心中間的所有計(jì)算。

理想情況下，人工智能應(yīng)該模仿人眼，這解釋了人工智能處理中精度下降的趨勢(shì)。

2015年，IBM Research發(fā)布了AI模型訓(xùn)練推理的降精度方法，論文描述了一種針對(duì)傳統(tǒng)CMOS技術(shù)的新型數(shù)據(jù)流方法。IBM展示了經(jīng)過16位精度訓(xùn)練的模型，與經(jīng)過32位精度訓(xùn)練的模型相比，精度沒有損失。

從那時(shí)起IBM注意到，降低精度的方法很快被采納為行業(yè)標(biāo)準(zhǔn)，16位培訓(xùn)和8位推斷現(xiàn)在已經(jīng)很普遍，并刺激了創(chuàng)業(yè)公司和風(fēng)險(xiǎn)投資的爆炸式增長(zhǎng)，用于降低基于精度的AI芯片，盡管出現(xiàn)了這種新趨勢(shì)，但由于需要保持模型的高精度，用數(shù)字表示小于16位的“訓(xùn)練”幾乎是不可能的。