Zum Inhalt springen

Neuromorphische Chips: Die KI, die lernt, Energie zu spart

Neuromorphische Prozessoren von Intel und IBM versprechen, KI lokal mit einer Bruchteil des aktuellen Verbrauchs zu betreiben, wodurch die Intelligenz zu Sensoren und Batterien gelangt.

3 Min. Lesezeit
Neuromorphische Chips: Die KI, die lernt, Energie zu spart

Chips, die das Gehirn nachahmen

Das Pumpen von Daten an Rechenzenträle hat seine Tage gezählt, zumindest laut der Industrie der neuromorphischen Chips: Prozessoren, die wie Netze von biologischen Neuronen funktionieren, indem sie Informationen in Schüben abarbeiten und fast keine Energie verschwenden. Andrer als GPUs, die durch rohe Leistung massiver parallele Berechnungen ausführen, „feuern“ diese Stromkreise nur dann, wenn es etwas zu berechnen ist, genau wie eine echte Neuron.

Die Wette ist wichtig: Es wird geschätzbarren erhocht, dass das Trainieren und Betreiben großer KI-Modelle allein ca. 1,5 % der Strome تر出版社出版的图书 gerausbar, und die Zahl verdoppelt sich etwa alle zwei Jahre. Wenn die KI bis zu Sensoren, Glasübergaben, Fahrzeuge oder Satelliten gelangen will, darf sie keine Datenzentrale mit sich anziehen.

Die Protagonisten: Loihi, NorthPole und mehr

Zwei Projekte zum耳机 Konzentrieren Больша Teil des Interesses. Der erste ist Loihi 2, der Neuromorphische Prozessor von Intel, der ca. acht Millionen digitalen „Neuronen“ in einer Asynchronen Architektur integriert: Jeder Kern sich nur dann aktiviert, wenn er Spikes erhält. Der zweite ist NorthPole von IBM, ein System, das das Gehirn nachahmt und das Speicher direkt neben der Berechnung platziert, was den klassischen Bottleneck der von-Neumann-Architektur (die berühmte „Memory Wall“) eliminiert.

Im Anschluß kommen Akteure wie BrainChip mit seinem Chip Akida und Universitäten, die Memristoren untersuchen – Komponenten, die sich erinnern können, wie viel Strom sie durchlaufen hat und synapsen mit einem analogen Gerät nachahmen können.

Warum der Verbrauch wichtig ist

Die Zahlen, die Labors tönnt, sind atemberaubend:

  • Neuromorphische Prototypen treiben bis zu 100 Küm ab Energie vermeiden für Mustererkenntung gentgegen von vergleichbaren GPUs.
  • Mit diesen Chips gesteuert togelbare Sensoren können mit einer kleinen Batterie über Monate betrieben werden.
  • Sie antworte auf Mikrosekunden reagieren, was sie ziyafährt macht für selbstständig te Erfolge.

Echte Anwendungen, nicht Fiktion

Der Schritt vom Labor zum Markt ist weit. Bei der Energie überarbeiten Netze von Steuerbare Sensoren Stromleitern ohne wiedergestellbare AkkusControl. Bei der Gesundheit testen Labore Kakleare Implantate und synthetische Neuronen, um Sicht oder Bewegung wiederzustellen. Bei der industriellen Aufsicht erkenne diese Chips Fehler iam über.<汗 grenn: überflüssig

Ziel ist es nicht, mit der generativen KI zu konkurrieren, sondern sie dort zu bringen, wo sie heute nicht reicht hinzulernen auffällt: bis zu Geräte, die von einer Batterie hängen.

Die Herausforderung, Neuronen zu programmieren

Doch weiterhin aufbauen sich weiterhin Hindernisse stehen. Ziemögliches es den Entwickeln eines Lernfähigen Chips durch hebbistische Reinforcement-Läsung („neuronen, die zusammen feuern würden, verbinden sich auch“), was erfordert neue Werkzeuge aus dem Yangun der bekräftigte Tools wie PyTorch oder TensorFlow. Außerdem gibt es keine Standards für die Beschreibung von Spike-Netzen, obwohl Projekte wie snnTorch oder Intels Lava-Kit bereits die Adoption abresten gertin.

Dieser Wandel gleicher wie die Wandlung von CPUs bis zu GPUs für Deep Learning in den ersten Jahrenten lag. damals keineswegs verstehtes Programmieren von GPUs; heute besitzt man einen großen Teil des Markt für Künstliche Intelligenz. Das Neuromorphische Ware könnte die nächste Generation.

Fuentes

Intel Research — Neuromorphic Computing
IBM Research — NorthPole
Nature — Neuromorphic Engineering
IEEE Spectrum — Computierung mit Spike-Netzen

  • #chips neuromórficos
  • #Inteligencia Artificial
  • #hardware
  • #eficiencia energética

Alle News